Katalitik reaksiyonların bilgisayar ortamında modellenmesi, yeni katalizör tasarımında kritik öneme sahip. Ancak geleneksel yöntemler ya çok yavaş ya da yeterince doğru değil. Bu soruna çözüm olarak geliştirilen makine öğrenimi tabanlı atomik potansiyeller (MLIPs), hem hız hem de doğruluk vadediyor.
Araştırmacılar, MACE (Multi-Atomic Clustered Expansion) potansiyellerinin performansını artırmak için dokuz farklı eğitim stratejisini karşılaştırdı. Bu stratejiler arasında sıfırdan eğitim (FS) ve büyük temel modellerin ince ayarlanması (FT) yer alıyor. Çalışmada CO₂'nin C₂ ve C₃ ürünlerine indirgenmesi, propan dehidrojenasyonu, paladyum üzerinde hidrojen interkalasyonu ve metal oksitlerde oksijen evrim reaksiyonu gibi 141 farklı reaksiyon analiz edildi.
Bulgular, sıfırdan eğitilen modellerde eğitim verisinin kalitesinin kritik olduğunu gösterdi. Moleküler dinamik simülasyonlarından veya kontur keşfinden elde edilen yüksek enerjili konfigürasyonlarla eğitilen modeller, sadece gevşeme yörüngelerini kullanan modellere göre iki kat daha az hata verdi.
İlginç şekilde, ince ayar yaklaşımının örnekleme stratejisine daha az duyarlı olduğu ve farklı sistem türlerine daha iyi transfer olabildiği gözlendi. Bu bulgular, kataliz araştırmalarında kullanılacak MLIP modellerinin daha verimli geliştirilmesi için yol gösterici olacak.