Bias in Universal Machine-Learned Interatomic Potentials and its Effects on Fine-Tuning
Die Studie zeigt, dass universelle maschinell erlernte Interatomare Potentiale (uMLIPs) durch eine periodische Nachjustierung im Gegensatz zu einer naiven Methode generalisierbarer und genauer werden, wobei die Analyse von Extrapolationen mittels Q-Residuen als Proxy für epistemische Unsicherheit dient.