لطالما كان يُعتقد أنه يجب على نماذج التعلم الآلي (Machine Learning Potentials - MLPs) أن تقيد دقتها بأساليب التدريب التي تعتمد عليها. فإذا كانت هذه الأساليب قد تحققت عبر البيانات التجريبية، فهل يمكن أن نرى طريقًا آخر لتحسين دقتها؟ الطبعة العصرية من الدراسة التي تم نشرها في arXiv تشير إلى أن ذلك ممكن.

تستند الفكرة الرئيسة إلى أنه من الممكن لنماذج التعلم الآلي أن تتجاوز قيود دقتها من خلال تعميم عبر مساحة ثالثة، وهي المساحة الخاصة بالأساليب الكيميائية الكمومية (Quantum-Chemical Methods).

تقترح الدراسة استراتيجيات لتطوير MLPs يمكن تطبيقها على أساليب جديدة لم يسبق للنموذج التدرب عليها، مما يفتح الباب لتحقيق دقة أعلى في جميع جوانب المحاكاة الكيميائية.

النتائج الحالية في كل من نظريات الكثافة الوظيفية وتطبيقات موجات الدالة توضح أن هذه النماذج يمكن أن تقدم دقة تفوق أي من طرق التدريب التقليدية المستخدمة. وبالتالي، قد تؤدي نماذج MLPs القابلة للنقل إلى إنشاء مجموعات بيانات تدريب جديدة وتقييم مستويات دقة نماذج فريدة.

استنادًا إلى ذلك، قد تشهد الصناعة تغييرًا في كيفية تقييم النماذج، مما يدفع حدود دقة المحاكاة الكيميائية إلى آفاق جديدة. هل أنتم متحمسون لرؤية كيف ستؤثر هذه الدراسات على عالم الكيمياء؟