Cross-Geometry Transferability Assessment of Universal Machine Learning Interatomic Potentials: From Bulk Materials to Atomic Nanowires
Deze studie evalueert de cross-geometrie transfereerbaarheid van voorgetrainde machine learning interatomaire potentialen voor ZrO2, waarbij wordt onthuld dat hoewel fine-tuning beter presteert dan trainen vanaf nul, zero-shot modellen lijden onder significante degradatie in nanostructuren met een lage coördinatie en dat gemiddelde foutmetrieken er niet in slagen om de prestaties van specifieke fysische eigenschappen betrouwbaar te voorspellen, hetgeen geometrie-diverse data en onafhankelijke fysische validaties noodzakelijk maakt voor robuuste adaptatie.