基于BPTT视角对MLIPs的细调
机器人学
2025-12-02 v1 系统与控制
系统与控制
摘要
精确的结构松弛是先进材料设计的关键。传统方法基于物理推导的第一性原理计算，计算成本高昂，促使机器学习原子势(MLIPs)的创建，这些方法力求忠实地复现第一性原理计算得到的力。我们提出了一种可用于预训练MLIP的细调方法，通过创建一个全可微的端到端仿真环路来优化预测的最终结构。展开轨迹并在整个松弛过程中跟踪梯度。我们展示了该方法在所有评估的预训练模型上都能一致地提高性能；平均约降低32%的预测误差。有趣的是，我们显示该过程对松弛设置的显著变化具有鲁棒性，在各种超参数和程序修改下几乎得出相同结果。
引用
@article{arxiv.2512.01066,
title = {Reinforcement Learning for Gliding Projectile Guidance and Control},
author = {Joel Cahn and Antonin Thomas and Philippe Pastor},
journal= {arXiv preprint arXiv:2512.01066},
year = {2025}
}
备注
6 pages