Pesquisadores compararam sistematicamente otimizadores com estrutura matricial, incluindo SOAP, Muon e o híbrido SOAP-Muon, contra o otimizador padrão Adam para treinar modelos MLIP NequIP e Allegro. O estudo descobriu que esses novos otimizadores superam substancialmente o Adam tanto em velocidade de convergência quanto em precisão final.
- SOAP e SOAP-Muon surgiram como métodos robustos com ganhos de desempenho consistentes.
- Muon forneceu apenas ganhos parciais em relação ao Adam.
- As melhorias foram particularmente pronunciadas sob condições de supervisão parcial de forças.
Os resultados indicam que a escolha do otimizador é um eixo de design negligenciado, mas impactante, para potenciais interatômicos de aprendizado de máquina.