[論文レビュー] Accuracy and Efficiency Benchmarks of Pretrained Machine Learning Potentials for Molecular Simulations

Peter Eastman, Evan Pretti+1 more|arXiv (Cornell University)|Jan 22, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

この論文は分子シミュレーションのための15の事前学習MLIPをベンチマークし、モデル選択を導くために精度・速度・メモリ・安定性を評価します。

ABSTRACT

The rapid development of pretrained Machine Learning Interatomic Potentials (MLIPs) that cover a wide range of molecular species has made it challenging to select the best model for a given application. We benchmark 15 pretrained MLIPs, evaluating each one on accuracy, speed, memory use, and ability to produce stable simulations. This provides an objective basis for practitioners to select the most appropriate MLIP for their own simulations, and offers insight into which factors most strongly influence model accuracy. We find that the number of model parameters and the size of the training set are both strongly correlated with accuracy, while training on charged molecules and including explicit Coulomb energy terms are less essential than one might expect. Speed and memory use are determined as much by the model architecture as by the size of the model.

研究の動機と目的

• 適切な事前学習MLIPを多様な分子シミュレーションタスクに選択する必要性を動機づける。
• 複数モデルにわたる客観的で標準化されたベンチマークを提供する。
• MLIPの精度と効率性に最も影響を与える要因を特定する。
• 精度とリソース利用のバランスを取るモデル選択に実用的な指針を提供する。

提案手法

• 15の事前学習MLIPを一般的な分子シミュレーションタスクでベンチマークする。
• 各モデルの精度・速度・メモリ使用量・シミュレーション安定性を評価する。
• モデルサイズ・トレーニングセットサイズと精度の相関を分析する。
• 明示的クーロンエネルギー項が性能に与える影響を評価する。
• パラメータ数に依存せず、アーキテクチャの選択が速度とメモリに与える影響を特徴づける。

実験結果

リサーチクエスチョン

• RQ1 どの事前学習MLIPが速度とメモリコストに対して相対的に最も高い精度を提供するか？
• RQ2 モデルサイズとトレーニングセットサイズがモデル間で精度とどう相関するか？
• RQ3 明示的クーロンエネルギー項はこれらのMLIPにおいて観測可能な利点をもたらすか？
• RQ4 モデルアーキテクチャの選択は速度とメモリ使用量をどの程度決定するか？

主な発見

• パラメータ数とトレーニングセットサイズの両方がモデルの精度と強く相関する。
• 明示的クーロンエネルギー項は評価対象のモデル全体で測定可能な利点を提供しない。
• 速度とメモリ使用量はモデルサイズよりもアーキテクチャの影響を受ける。
• 本研究は、アプリケーション固有の精度と効率性ニーズに基づいてMLIPを選択するための客観的な根拠を提供する。