使用冻结迁移学习微调材料原子间势的基础模型

快速阅读: 《Nature.com》消息，研究人员发现，通过迁移学习微调势能模型，仅需10%-20%数据即可达到化学精度，降低计算成本，提升预测能力，为材料研究提供新方法。（98字）

据最新研究报道，8月15日，研究人员在材料科学领域取得重要进展。他们发现，通过部分冻结权重和偏置的迁移学习技术对基础模型势能进行微调，可以在使用较少数据的情况下达到化学精度。这不仅提高了模型的预测能力，还显著降低了计算成本。

研究人员指出，传统的原子间势能模型需要大量的第一性原理计算来生成准确的训练数据集，这一过程耗时且资源密集。而新的迁移学习方法仅需使用10%至20%的数据量，就能达到与全量数据训练模型相当的精度。这种方法特别适用于处理复杂的表面反应化学和合金稳定性等问题。

此外，研究团队还发现，利用迁移学习获得的势能作为真实值，可以构建更为高效和精确的代理模型。这为材料科学领域的研究提供了新的工具和方法，有望加速新材料的开发和应用。

综合来看，这项研究提出了一种新的机器学习势能模拟流程，不仅提高了数据效率，还优化了计算性能，为未来的材料科学研究开辟了新路径。

(以上内容均由Ai生成)