arXiv · Materials Science· Evgeny Moerman, Igor Poltavsky, Anton Charkin-Gorbulin, Alexandre Tkatchenko·· 11 小时前
材料机器学习力场研究：EnvTok用不足1%数据筛选结构，OMat24约99%结构或冗余
Atoms that Matter: Largest Materials Datasets Are 99% Redundant, and Local Chemistry Can Guide the Required 1%
arXiv:2610.14392v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Evgeny Moerman, Igor Poltavsky, Anton Charkin-Gorbulin, Alexandre Tkatchenko
研究任务与主要进展
作者在OMat24上用650万原子的不同子集训练MACE模型，报告其力误差达到全数据参考模型几十meV/Å以内，并在形成能、弹性模量、热容、Li+迁移势垒及最高3000 K、500 GPa的分子动力学稳定性上接近或超过参考结果。EnvTok无需标注即可依据原子位置、元素种类和可选磁矩筛选结构多样的环境，作者据此认为OMat24约99%的结构在很大程度上冗余。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · Materials Science · arxiv.org