Representations from Pretrained Machine-Learning Interatomic Potentials as Coarse Coordinates for Material Generation and Evaluation
यह शोध पत्र प्रदर्शित करता है कि पूर्व-प्रशिक्षित मशीन-लर्निंग इंटरएटोमिक पोटेंशियल (MLIPs), जैसे कि MACE, से प्राप्त परमाणु-औसत विशेषताएं (atom-averaged features), एक नवीन कोर्स-फाइन ट्रांसपोर्ट डिस्टेंस (CFTD) मीट्रिक के माध्यम से सामग्री जनरेटिव मॉडल का मूल्यांकन करने और स्वयं जनरेशन प्रक्रिया को निर्देशित करने, दोनों के लिए प्रभावी कोर्स कोऑर्डिनेट्स के रूप में कार्य करती हैं।