Contrastive Regularization of Machine Learning Potentials
本文介绍了对比正则化均方误差（CRMSE），这是一种通过在标准回归损失中引入源自库尔贝克-莱布勒散度的对比项，从而修正机器学习原子间势能分布漂移的训练后方法，进而无需额外的从头算数据即可实现精确的热力学采样。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图教一个机器人厨师如何烹饪出一块完美的牛排。你给机器人看了 1,000 张完美烹饪牛排的照片，并要求它学习每一张照片的“能量”（或质量）。
问题所在：机器人是一个优秀的评论家，但却是一个糟糕的厨师
机器人学会了通过观察照片并给出评分，例如：“那块牛排是 9/10 分”，而且准确率极高。如果你给它看同一组相册中的新照片，它每次都能给出正确的评分。这就是科学家们所说的“回归准确度”（regression accuracy）。
然而，真正的目标不仅仅是给照片打分；你希望利用这个机器人来进行“烹饪模拟”。你希望机器人能想象出成千上万种新的牛排场景，并告诉你一块典型的、完美的牛排是什么样子的。
就在这里，机器人失败了。因为它只接受了你给出的 1,000 张照片的训练，它完全不知道这些照片之间的“空白区域”会发生什么。当要求它想象新的场景时，它开始产生幻觉。它可能会想象出一块牛排，由于某种原因变得“过于完美”——完美到陷入了一个“伪低能陷阱”（spurious low-energy trap）。它开始烹饪一些极其诡异的状态，比如牛排变得冻得坚硬如石，或者被烧焦成了炭，因为在它的数学大脑里，这些怪异的状态看起来比真实的牛排更“廉价”（能量更低）。
尽管它在为你提供的照片打分方面是个天才，但它的烹饪模拟却是一场灾难。它产生的结果与现实生活完全脱节。
解决方案：“对比式”修正
Dimitrios Tzivrailis 及其团队的研究人员意识到，机器人不仅需要学习如何给照片打分，还需要学习如何“避开”它自己创造出的那些怪异、不可能出现的场景。
他们引入了一种新的训练步骤，称为 CRMSE（对比正则化均方误差）。你可以把它看作是一个“现实检查”循环：
- 让机器人去烹饪： 他们让机器人运行模拟，观察它创造出了哪些怪异、不可能存在的牛排（即“幽灵”场景）。
- 对比式教训： 他们告诉机器人：“你给这些怪异、不可能存在的牛排打了高分（低能量）。这是不对的！我们需要提高它们的‘能量’（让它们看起来很糟糕），这样你才不会想去烹饪它们。”
- 筑起围墙： 通过提高这些糟糕场景的能量，机器人为真实的物理场景建立了一道“保护墙”。它学会了那些怪异的状态是禁区。
至关重要的一点是，他们不需要拍摄更多的照片，也不需要雇佣人类厨师来重新教导机器人。机器人实际上是在通过评判自己的错误来修正自己。
结果
他们在两种分子上进行了测试：乙醇（一种简单的酒精）和阿司匹林（一种止痛药）。
- 修复前： 机器人的模拟偏离了现实。分子中的原子被拉伸到了不可能的长度，且能量水平降到了自然界中不存在的数值。
- 修复后： 机器人的模拟保持在应有的位置。原子的距离保持在现实范围内，且能量水平与参考数据几乎完美契合。
更令人印象深刻的是，他们在数据量非常少的情况下（仅使用 200 个训练样本，而非 950 个）进行了测试。标准机器人面对如此少的数据表现得一塌糊涂，但带有“对比修正”的机器人仍然成功完成了完美的模拟。
核心启示
该论文认为，在人工智能领域，仅仅因为一个模型擅长预测特定点（例如给照片打分），并不意味着它擅长生成新的、现实的数据（例如烹饪）。
要成为一个可靠的模拟器，你不仅需要“更多”的数据；你还需要训练模型去尊重它所要模拟的“宇宙规则”。你必须训练它去避开它为自己设置的陷阱。作者将这种方法称为“分布级训练”（distribution-level training）——即不仅教 AI 去拟合那些点，还要让它理解整个图像的轮廓。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。