arXiv 论文检验通用 MLIP 缩放律:误差随数据下降但依赖采样与评测策略
CatAstro_Piyush · x · 2026-11-16
arXiv 论文《Are Scaling Laws of Universal MLIPs Universal?》在固定模型配置下,系统检验了通用机器学习原子间势(MLIP)的数据缩放律是否普遍成立。
- 实验设置:对 M3GNet、MACE、PET 三个模型,在 MatPES-MP-ALOE 合并训练池的子集(1 万至 64 万结构)及完整 116 万结构集上训练
- 采样策略对比:均匀随机采样、三种基于化学/结构信息的分层采样、迭代 DIRECT 采样、基于三个预训练 MLIP 嵌入的最远点采样
- 核心发现:误差随数据量呈幂律下降,但拟合的缩放指数、表观误差下限与样本效率取决于模型架构、目标量、采样策略与测试集分布
- 采样策略排名会在不同测试分布间反转:化学分层可提升跨数据集表现却损害同分布表现;基于嵌入空间的多样性策略常不如随机采样
- 结论:缩放收益与训练-测试化学相似度强相关,理解训练源数据本身比盲目堆数据更重要
「研究」频道最新
- 28 个主流模型训练截止日期盘点:近半数不公布,Gemini 4 Carbon 发布即落后 8 个月 — Joozio · 2026-11-16
- FutureSim Q3:LLM 从经验中真实变强,Opus 5.5 登顶 — rickasaurus · 2026-11-16
- NeurIPS 论文:10 张图蒸馏 ImageNet 一个类别的全部知识 — giannis_daras · 2026-11-16
- 为什么方差估计要除以 n-1:两分钟讲透贝塞尔校正 — JFPuget · 2026-11-16
- 商业场景中 Type 2 错误代价常高于 Type 1 — mdancho84 · 2026-11-16
- 风险管理视角:漏检真实风险可致重大损失乃至倒闭 — mdancho84 · 2026-11-16