Les chercheurs ont comparé systématiquement les optimiseurs à structure matricielle, y compris SOAP, Muon et le hybride SOAP-Muon, avec l'optimiseur Adam par défaut pour l'entraînement des potentiels interatomiques par apprentissage automatique (MLIPs) NequIP et Allegro. L'étude a révélé que ces nouveaux optimiseurs surpassent considérablement Adam tant en vitesse de convergence qu'en précision finale.
- SOAP et SOAP-Muon se sont imposés comme des méthodes robustes avec des gains de performance constants.
- Muon n'a apporté que des améliorations partielles par rapport à Adam.
- Les avantages en matière de performance étaient particulièrement prononcés dans des conditions de supervision partielle des forces.
Les résultats indiquent que le choix de l'optimiseur est un axe de conception critique, mais souvent négligé, pour améliorer l'efficacité et la précision de l'entraînement des MLIPs.