Atomlar arası etkileşimleri modelleyen yapay zeka sistemleri, malzeme bilimi ve kimyasal fizik alanlarında devrim yaratıyor. Bu makine öğrenmesi tabanlı modeller, kuantum mekaniği hesaplamalarının hassasiyetini çok daha düşük hesaplama maliyetiyle sunma vaadinde bulunuyor.
Ancak bu modellerin farklı fiziksel koşullarda ne kadar güvenilir çalıştığı önemli bir soru işaretiydi. Özellikle akışkan sistemlerde moleküller, kristal yapıdaki dengeli ortamlardan çok farklı yerel çevrelerde bulunabiliyor.
Yeni araştırma, sabit bir hesaplama bütçesi içinde termodinamik açıdan aktarılabilir modeller oluşturmanın en etkili yolunu keşfetti. Sıcaklık çeşitliliği yerine eğitim konfigürasyonlarının yoğunluk çeşitliliğini artırmanın çok daha kritik olduğu ortaya çıktı.
Araştırmacılar, katı hal veritabanlarıyla eğitilen temel modellerin sıvı benzeri yoğunluklarda doğru sonuçlar verdiğini ancak gaz benzeri koşullarda başarısız olduğunu gösterdi. Moleküler veritabanlarla eğitilen modeller ise tam tersi bir davranış sergiliyor.
Kontrollü deneyler, yoğunluk açısından çeşitli veri setlerinin her iki başarısızlık modunu da çözdüğünü doğruladı. Sıcaklık açısından çeşitli veri setleri ise eksik yoğunluk bilgisini telafi edemiyor. Bu bulgu, gelecekteki model geliştirme stratejilerinde paradigma değişikliğine işaret ediyor.