Moleküler sistemlerin enerji hesaplamalarında devrim yaratan makine öğrenmesi teknolojileri, artık daha sıkı testlerden geçiriliyor. Bilim insanları, bu potansiyellerin gerçek güvenilirliğini ölçmek için yeni değerlendirme yöntemleri geliştirdi.
Araştırmacılar, iki popüler makine öğrenmesi yaklaşımını detaylı olarak karşılaştırdı: permutationally invariant polynomial (PIP) tabanlı lineer regresyon ve PhysNet mesaj geçişli sinir ağı. Her iki yöntem de aynı veri seti üzerinde eğitilerek, sonuçlarının ne kadar tutarlı olduğu incelendi.
Testler, protonlu oksalat molekülü üzerinde gerçekleştirildi. Bu molekül özellikle ilginç çünkü hidrojen atomlarının farklı konumlar arasında transfer olabilmesi nedeniyle karmaşık davranışlar sergiliyor. Araştırmacılar, her iki potansiyelin VSCF/VCI hesaplamalarında nasıl performans gösterdiğini, titreşim enerjilerini ve dalga fonksiyonlarını ne kadar doğru tahmin ettiğini analiz etti.
En önemlisi, her iki yöntemden elde edilen kızılötesi spektrumlar ve hidrojen transferi sırasında ortaya çıkan tünelleme ayrılmaları karşılaştırıldı. Bu tür 'stres testleri', makine öğrenmesi potansiyellerinin sadece eğitildikleri veriye ne kadar iyi uyduğundan ziyade, gerçek fiziksel olayları ne kadar güvenilir şekilde temsil ettiğini gösteriyor.
Bu çalışma, makine öğrenmesi tabanlı potansiyel enerji yüzeyleri alanındaki kalite kontrolün önemini vurguluyor ve gelecekte daha güvenilir hesaplama yöntemlerinin geliştirilmesine katkı sağlayacak.