MatPES-MP-ALOE

机器学习势能缩放定律取决于数据、模型和测试分布

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。