머신러닝 원자간 포텐셜 (Machine learning interatomic potentials, MLIPs)은 과학적 시뮬레이션을 위한 AI의 특징이 되었습니다. 새로운 아키텍처와 데이터셋에 대한 노력으로 점점 더 정확하고 일반적인 모델들이 만들어지고 있지만, 학습을 위한 옵티마이저 (optimizer)의 선택은 커뮤니티에서 주로 Adam 및 그 변형들을 기본값으로 사용하며 거의 탐구되지 않은 상태로 남아 있었습니다. 본 연구에서는 NequIP 및 Allegro MLIP 모델을 학습시키기 위해 Muon, SOAP, 그리고 하이브리드 방식인 SOAP-Muon을 포함하여 최근 제안된 행렬 구조 옵티마이저 (matrix-structured optimizers) 클래스를 구현하고 체계적으로 비교합니다. 우리는 이러한 옵티마이저들이 수렴 속도(convergence speed)와 최종 정확도(final accuracy) 모두에서 Adam을 실질적으로 능가할 수 있음을 발견했습니다. SOAP와 SOAP-Muon은 견고하고 일관되게 강력한 방법으로 나타난 반면, Muon은 Adam에 비해 부분적인 이점만을 제공했습니다. 이러한 개선 사항은 특히 부분적인 힘 감독 (partial force supervision) 하에서 두드러지게 나타납니다. 우리의 결과는 옵티마이저의 선택이 MLIP를 위한 간과되었지만 영향력 있는 설계 축임을 나타냅니다.