Representations from Pretrained Machine-Learning Interatomic Potentials as Coarse Coordinates for Material Generation and Evaluation
Este artigo demonstra que características de média atômica de Potenciais Interatômicos de Aprendizado de Máquina (MLIPs) pré-treinados, como o MACE, servem como coordenadas grosseiras eficazes tanto para avaliar modelos generativos de materiais por meio de uma nova métrica de Distância de Transporte Coarse-Fine (CFTD) quanto para guiar o próprio processo de geração.