Optimizing cross-domain transfer for universal machine learning interatomic potentials
Rattachement africain : kr, pr. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Accurate yet transferable machine-learning interatomic potentials are essential for accelerating materials and chemical discovery. However, many existing universal models are overfitted to narrow chemical spaces or computational protocols, limiting their reliability across diverse chemical and functional domains. Here, we introduce a transferable multi-domain training strategy that jointly optimizes parameters through selective regularization, coupled with a domain-bridging set that aligns potential-energy surfaces across datasets. Systematic ablation experiments show that suggested strategies synergistically enhance out-of-distribution generalization while preserving in-domain fidelity. Based on our observation, we train SevenNet-Omni on 15 open datasets spanning molecules, crystals, and surfaces. Our model achieves state-of-the-art accuracy in cross-domain benchmarks, reaching chemical accuracy in various scenarios including adsorption-energy in catalytic surfaces and metal-organic frameworks. SevenNet-Omni also accurately reproduces high-fidelity properties by effectively transferring knowledge learned from larger, lower-accuracy databases. This framework offers a scalable route toward universal, transferable models that bridge quantum-mechanical fidelities and chemical domains.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Optimizing cross-domain transfer for universal machine learning interatomic potentials
- Date Crossref
- 03/03/2026
- Éditeur
- Springer Science and Business Media LLC
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Seoul National University Department of Materials Science and Engineering pays non établi dans la noticeUniversité ou école supérieure
-
Samsung (South Korea) pays non établi dans la noticeEntreprise
-
Korea Institute for Advanced Study pays non établi dans la noticeStructure de recherche
-
National University College pays non établi dans la noticeUniversité ou école supérieure
-
AI Center pays non établi dans la noticeInstitution
-
Korea Institute of Advanced Study Center for AI and Natural Sciences pays non établi dans la noticeStructure de recherche
Department of Materials Science and Engineering — Seoul National University, Samsung (South Korea) et Korea Institute for Advanced Study, avec 3 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.