On The Finetuning of MLIPs Through the Lens of Iterated Maps With BPTT
Este artigo propõe um método de ajuste fino robusto e diferenciável de ponta a ponta para potenciais interatômicos de aprendizado de máquina pré-treinados que otimiza estruturas previstas ao desenrolar trajetórias de relaxação e retropropagar gradientes, resultando em uma redução consistente de aproximadamente 32% no erro de previsão através de vários modelos e configurações de hiperparâmetros.