Otimizadores SOAP e Muon superam Adam no treinamento de potenciais interatômicos de aprendizado de máquina

Pesquisadores compararam sistematicamente otimizadores com estrutura matricial, incluindo SOAP, Muon e o híbrido SOAP-Muon, contra o otimizador padrão Adam para treinar potenciais interatômicos de aprendizado de máquina (MLIPs) 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 melhorias parciais em relação ao Adam.
• As vantagens de desempenho foram particularmente pronunciadas sob condições de supervisão parcial de forças.

Os resultados indicam que a escolha do otimizador é um eixo de design crítico, mas frequentemente negligenciado, para melhorar a eficiência e a precisão do treinamento de MLIP.