PulseAugur
中
实时 13:27:39
English(EN) Robust and Interpretable Adaptation of Equivariant Materials Foundation Models via Sparsity-promoting Fine-tuning

新的微调方法通过稀疏性增强材料基础模型

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的微调方法，用于 E(3)-等变材料基础模型，该模型用于近似势能面。这种促进稀疏性的技术选择性地更新一小部分模型参数，在能量和力预测任务上实现了与完全微调相当或更好的性能。该方法在磁矩预测等专业应用中也显示出有效性，并提供对模型行为的可解释见解，例如突出过渡金属系统中 d 轨道的贡献。 AI

影响 该方法可以实现材料科学研究中专业化人工智能模型更有效和可解释的适应。

排序理由 该条目是一篇学术论文，详细介绍了一种适应现有机器学习模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Youngwoo Cho, Seunghoon Yi, Wooil Yang, Sungmo Kang, Young-woo Son, Jaegul Choo, Joonseok Lee, Soo Kyung Kim, Hongkee Yoon ·

    Robust and Interpretable Adaptation of Equivariant Materials Foundation Models via Sparsity-promoting Fine-tuning

    arXiv:2606.18691v1 Announce Type: new Abstract: Pre-trained materials foundation models, or machine learning interatomic potentials, leverage general physicochemical knowledge to effectively approximate potential energy surfaces. However, they often require domain-specific calibr…

相关话题