Atoms that Matter: Largest Materials Datasets Are 99% Redundant, and Local Chemistry Can Guide the Required 1%
这项研究表明，通过选择结构和化学性质各异的局部环境，仅使用少于 OMat24 数据集 1% 的数据进行机器学习力场训练，即可获得与在 1 亿个结构的全量数据集上训练的模型相当的精度，从而证明了化学多样性而非单纯的数据量才是通用材料建模的关键因素。
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
为了探索物理世界是如何结合在一起的，科学家们长期以来一直依赖一种强大但昂贵的工具：量子力学。这一物理学分支允许研究人员计算原子如何相互作用，从而预测从一种新金属的强度到电池储存能量的方式等一切事物。然而，这些计算的计算量极其庞大，以至于即使是模拟一小块材料仅一瞬间的时间，在世界上最强大的超级计算机上也可能需要花费数天或数周的时间。为了克服这一瓶颈，新一代人工智能应运而生。这些机器学习模型充当了捷径；它们在庞大的量子计算库上进行训练，然后学习几乎瞬时地预测原子行为，提供了沉重计算的准确性以及简单猜测的速度。该领域普遍认为，要使这些人工智能模型真正可靠并能够处理任何材料，必须向其输入海量的数据，通常数量高达数亿个原子构型。
卢森堡大学的一个研究小组挑战了这一假设，他们认为这些数据库的巨大规模可能是一种必要的错觉。他们检查了 Open Materials 2024 数据集，这是一个包含超过 1.1 亿种结构的庞大集合，该数据集一直是迄今为止最先进的人工智能力场的基石。研究人员提出了一个简单的问题：模型真的需要全部 1.1 亿个示例来学习吗，还是说其中的大部分信息只是对相同化学教训的重复？为了找出答案，他们在这一庞大数据集的微小切片上训练了新的人工智能模型——具体而言，是包含不到总原子数 1% 的子集，即大约 650 万个原子。他们测试了选择这些切片的三种不同方式：完全随机地挑选原子、使用一种复杂的聚类方法来寻找不同的组，以及采用他们开发的一种新技术，该技术通过统计每个原子周围独特的局部环境来进行选择。
结果令人震惊。在这些精心挑选的微小子集上训练的模型，表现得与在整个 1.1 亿个结构数据集上训练的模型一样出色。在衡量人工智能预测原子间结合力的准确性的测试中，小规模子集模型的表现与巨型模型几乎完全一致。在预测关键物理性质（如材料受热时的膨胀程度、刚度以及锂离子移动的难易程度）方面，它们也与全量模型相匹配。或许最令人惊讶的是，当研究人员通过模拟极端条件（将温度提升至 3000 开尔文，压力提升至 500 吉帕斯卡——这些是在行星深处发现的条件）来挑战这些模型的极限时，在小规模子集上训练的模型实际上比在全量数据集上训练的模型更稳定、更可靠。全量数据集模型在这些极端压力下经常崩溃，而精简版本却能持续运行，这表明额外的 99% 数据并未增加鲁棒性，反而引入了冗余。
研究人员发现，构建更好模型的关键不在于容量，而在于多样性。他们发现，庞大的数据集包含了许多共享完全相同局部化学环境的结构，本质上是在一遍又一遍地重复相同的信息。为了解决这个问题，他们引入了一种名为 EnvTok 的方法，它充当了原子邻域的编目员。它不再观察整个结构，而是将材料分解为每个原子的直接周围环境，记录存在哪些元素、它们的排列方式以及它们被挤压或拉伸的程度。通过使用这个目录来仅选择那些提供全新、独特邻域的结构，他们可以构建一个覆盖整个化学景观但没有重复的训练集。这种方法使他们能够识别出携带真实信息的关键 1% 的数据，并将其余部分抛之脑后。
这一发现表明，科学家在训练用于材料科学的人工智能时，应当采取一种全新的方式。研究人员不再需要耗费巨大的计算资源去标记和处理数十亿个冗余结构，现在可以专注于识别并标记那些独特的、化学上唯一的构型。这种效率的提升，使得使用更精确、更高层级的物理计算来训练这些模型成为可能，而这在以前对于如此大规模的数据集来说是难以承受的成本。通过释放计算预算，科学家现在可以探索更广泛的化学环境，并拓展这些模型预测能力的边界，从设计新型超硬材料到理解遥远行星的内部结构。这项研究证实，在原子模拟的世界里，信息的质量远比数据的数量更为重要。
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。