في عصر يزداد فيه الاعتماد على الذكاء الاصطناعي في المحاكاة العلمية، تبرز نماذج تعلم الآلة (Machine Learning Interatomic Potentials - MLIPs) كأحد أبرز الإنجازات. بينما انصب التركيز غالبًا على تطوير هياكل جديدة وبيانات، ظلت مسألة اختيار المُحسِّن (Optimizer) في التدريب موضع إهمال إلى حد بعيد. وغالبًا ما كانت الخيارات تقتصر على Adam ونسخه المختلفة.

حديثًا، أظهرت الأبحاث أن استخدام مُحسِّنات جديدة بهياكل مصفوفية، مثل Muon وSOAP، إلى جانب النموذج الهجين SOAP-Muon، يمكن أن يُحقق انطلاقة في أداء نماذج NequIP وAllegro.

خلصت الدراسة إلى أن هذه المُحسِّنات لا تتفوق فقط على Adam من حيث السرعة في التقارب، بل تُحقق أيضًا دقة أعلى في النتائج النهائية. حيث أظهرت مُحسِّنات SOAP وSOAP-Muon قدرة متفوقة، بينما قدّم Muon فوائد جزئية فقط.

استُخدمت هذه المُحسِّنات بشكل خاص في ظروف الإشراف الجزئي على القوى، مما يُبرز أهمية اختيار المُحسِّن في تصميم نماذج MLIPs، وهو جانب غالبًا ما يُغفل عنه. وبهذا، تفتح هذه النتائج آفاقًا جديدة في تحسين أداء نماذج تعلم الآلة، مما يساعد في دقة أعلى وسرعة في الوصول إلى النتائج المطلوبة.