Los optimizadores SOAP y Muon superan a Adam en el entrenamiento de potenciales interatómicos de aprendizaje automático

Los investigadores compararon sistemáticamente los optimizadores con estructura matricial, incluidos SOAP, Muon y el híbrido SOAP-Muon, frente al optimizador predeterminado Adam para entrenar potenciales interatómicos de aprendizaje automático (MLIP) NequIP y Allegro. El estudio encontró que estos nuevos optimizadores superan sustancialmente a Adam tanto en velocidad de convergencia como en precisión final.

• SOAP y SOAP-Muon surgieron como métodos robustos con ganancias de rendimiento consistentes.
• Muon proporcionó solo mejoras parciales en comparación con Adam.
• Las ventajas de rendimiento fueron particularmente pronunciadas bajo condiciones de supervisión parcial de fuerzas.

Los resultados indican que la elección del optimizador es un eje de diseño crítico, pero a menudo pasado por alto, para mejorar la eficiencia y precisión del entrenamiento de MLIP.