论文基准显示MLIP在未见分子上误差高一个数量级
资讯摘要
论文提出一个包含四项任务的基准，用于评估机器学习原子间势（MLIP）的组合泛化能力：测试分子在训练中未出现，但训练数据的选择使学习物理原理的模型理论上可泛化。作者报告，现有先进模型在这些任务上表现困难，分布外误差常比分布内高一个数量级，即便使用在数百万分子上预训练的基础模型也是如此。
要点速读
- 论文提出四项需要组合泛化的任务，测试集为训练中未见的分子。
- 作者报告现有最先进模型在分布外样本上的误差常比分布内高一个数量级。
- 即使使用在数百万分子上预训练的基础模型，任务仍具挑战性。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。