化学および材料シミュレーションのための原子シミュレーションの基盤モデル

科学分野:

• 計算化学
• 材料科学
• 人工知能

背景:

• 従来の計算方法は、化学および材料モデリングにおけるシステムサイズと時間スケールに限界があります。
• 大規模データセットでトレーニングされた基盤モデルは、さまざまな科学分野に革命をもたらしました。

研究 の 目的:

• 化学および材料科学における学習済みシミュレーションのための基盤モデルの可能性を探ること。
• 機械学習ポテンシャル（MLIP）の分野をレビューし、大規模MLIP基盤モデルを開発するためのパスを提案すること。

主な方法:

• 機械学習ポテンシャル（MLIP）の現状をレビューする。
• データスケーリング、アーキテクチャ、トレーニング戦略を含む、大規模MLIP基盤モデルを作成するための基準を提案する。
• 開発、評価、展開のための調整された戦略の概要を説明する。

主要な成果:

• 大規模で多様なデータセットと高度なトレーニング戦略を使用してMLIPをスケールアップすると、より効率的で、転移可能で、堅牢なモデルが得られます。
• これらの基盤モデルは、小規模で特定のデータセットでトレーニングされたモデルと比較して、さまざまな物理的観測量に対してファインチューニングが容易になると予想されます。

結論:

• 大規模MLIP基盤モデルは、化学および材料科学における予測シミュレーションに革命をもたらす可能性を秘めています。
• このようなモデルは、現在の計算上の限界を克服することにより、複数の技術ドメインにわたる発見を加速することができます。