arXiv 新论文:无约束原子间势学习存在指数级理论极限
CatAstro_Piyush · x · 2026-10-15
arXiv 论文 [2610.15078] 研究机器学习原子间势(MLIP)的理论极限,挑战了「只要能量和力匹配就够」的流行假设。
核心发现:
- 对无约束假设类,预测误差与采样精度之间的关系在维度上呈指数级病态:即使预测误差随维度指数衰减,学到的分布与目标分布之间的总变差距离仍可能接近最大值
- 两种失败机制:
- 动力学陷阱(kinetic trapping):即使从能量和力完全匹配的训练构型出发,弛豫到准确的学习平衡态也需要指数级长时间
- 平衡失配(equilibrium mismatch):学习到的平稳分布本身与目标相距甚远
- 即使在保持对称性的局部模型中,每个原子的微小误差也会随系统规模增大而累积成接近最大的分布偏差
- 论文同时给出了保证平衡精度的全局能量控制条件
这项工作对放松物理归纳偏置以换取计算效率的 MLIP 研究方向提出了重要理论警示。
「研究」频道最新
- Mercor 绘制美国经济 AI 基准地图:90% 工时无基准覆盖 — evijit · 2026-10-15
- DeepMind 论文:首价拍卖在智能体市场中的无政府代价可逼近零 — _onionesque · 2026-10-15
- ENCODE GRAMMAR:用3865组数据集解码人类基因组调控DNA序列逻辑 — anshulkundaje · 2026-10-15
- Intern-S2 助攻数学论文，作者称经多轮对话发展论证思路 — teortaxesTex · 2026-10-15
- DecisionRobust 基准:评测 30 个决策模型抗 prompt 注入与扰动能力 — Yifan Lan · 2026-10-15
- 卢森堡大学提出 Continuum Attention:连续积分替代离散注意力,性能全面胜出 — Afshin Khadangi · 2026-10-15