机器学习原子间势的组合泛化基准测试

机器学习原子间势在计算化学和材料科学中发挥着基础作用，使从分子动力学模拟到药物设计和材料发现的应用成为可能。虽然最近的方法可以高精度地估计原子间力，但仍不清楚它们可以在多大程度上推广到以前未见过的分子。他们是学习化学的组成结构，捕捉分子片段及其组合如何决定性质，还是主要学习插入特定于训练示例的模式？为了解决这个问题，我们提出了一个由四个任务组成的基准，需要某种形式的组合概括。在每项任务中，模型都会在训练期间未见过的分子上进行测试，但选择训练数据时，对于学习基本物理原理的模型来说，对测试示例的泛化应该是可行的。我们的实证分析表明，所考虑的任务对于最先进的模型来说非常具有挑战性，即使使用已在数百万个分子上预先训练的基础模型，分布外示例的错误通常比分布内示例高一个数量级。