English(EN) Are Scaling Laws of Universal MLIPs Universal?

机器学习势能缩放定律取决于数据、模型和测试分布

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-14 05:00

一项新的研究论文探讨了机器学习势能（MLIPs）缩放定律的普遍性，发现虽然随着数据量的增加观察到了幂律缩放的改进，但具体的指数、误差下限和样本效率受到模型架构、目标量、数据采样策略和测试集分布的影响。研究强调，仅靠结构数量不足以缩放 MLIPs，并指出额外数据的价值取决于其相对于模型预期用途的化学和构型内容。不同的采样策略可能产生不同的结果，一些策略可以改善跨数据集的性能，而另一些策略则会降低分布内性能。 AI

影响这项研究表明，优化数据选择对于提高机器学习势能的性能至关重要，可能带来更高效的材料科学模拟。

排序理由该条目是发表在 arXiv 上的研究论文，详细介绍了机器学习模型的发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是发表在 arXiv 上的研究论文，详细介绍了机器学习模型的发现。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Theo Keane, Anthony Onwuli, Richard Tomsett, Robert M. Forrest, Jonathan J. Bean · 2026-11-14 05:00

通用机器学习模型（MLIPs）的缩放定律具有普遍性吗？

arXiv:2611.15603v1 Announce Type: cross Abstract: Neural scaling laws enable the prediction of returns from larger training datasets, but machine-learned interatomic potential (MLIP) datasets are heterogeneous and expensive to generate, and equal numbers of structures need not co…

本文如何被排名

报道来源 [1]

通用机器学习模型（MLIPs）的缩放定律具有普遍性吗？

相关实体

相关话题