跳到正文
热点事件持续更新

通用MLIP缩放律并非普遍一致

1 篇报道1 个报道来源56 分钟前更新

先了解这件事

AI 综述

研究作者在arXiv论文《Are Scaling Laws of Universal MLIPs Universal?》中系统检验通用机器学习原子间势的数据缩放律,发现M3GNet、MACE和PET的误差虽随数据量增加呈幂律下降,但缩放指数、误差下限和样本效率会因模型架构、目标量、采样策略及测试集分布而变。 在1万至64万结构子集及完整116万结构训练池上的实验还显示,采样策略优劣并不稳定:化学分层采样可改善跨数据集表现,却可能损害同分布表现;基于预训练模型嵌入的最远点采样常不优于随机采样。研究因此表明,不能把某组模型和测试条件下拟合出的缩放律直接视为通用规律。

AI 根据报道生成 · 36 分钟前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月16日
  1. AGI Hunt
    arXiv 论文检验通用 MLIP 数据缩放律:误差随数据下降但依赖采样与评测策略

    arXiv 论文《Are Scaling Laws of Universal MLIPs Universal?》检验了通用机器学习原子间势的数据缩放律,在 M3GNet、MACE 和 PET 上使用 1 万至 64 万结构开展训练实验。误差随数据量呈幂律下降,但缩放指数、表观误差下限与样本效率受模型架构、目标量、采样策略和测试集分布影响;不同采样策略的排名还可能随测试分布反转。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。