Adam을 넘어서: 머신러닝 원자간 포텐셜(MLIP)의 더 빠르고 라벨 효율적인 학습을 위한 SOAP 및 Muon

요약

머신러닝 원자간 포텐셜(MLIP) 학습 시 Adam 대신 Muon과 SOAP 같은 행렬 구조 옵티마이저를 적용한 연구입니다. 실험 결과, SOAP와 SOAP-Muon 방식이 Adam보다 수렴 속도와 최종 정확도 면에서 우수한 성능을 보였습니다.

핵심 포인트

• MLIP 학습을 위한 새로운 옵티마이저(Muon, SOAP) 체계적 비교
• SOAP 및 SOAP-Muon이 Adam 대비 수렴 속도와 정확도에서 우위 점함
• 부분적 힘 감독(partial force supervision) 환경에서 개선 효과 뚜렷
• 옵티마이저 선택이 MLIP 모델 설계의 중요한 요소임을 입증