[논문 리뷰] Accuracy and Efficiency Benchmarks of Pretrained Machine Learning Potentials for Molecular Simulations

Peter Eastman, Evan Pretti외 1명|arXiv (Cornell University)|2026. 01. 22.

Machine Learning in Materials Science인용 수 0

한 줄 요약

이 논문은 분자 시뮬레이션을 위해 15개의 사전 학습된 MLIPs를 벤치마크하여 정확도, 속도, 메모리, 안정성을 평가하고 모델 선택에 도움을 준다.

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.

연구 동기 및 목표

• 다양한 분자 시뮬레이션 작업에 대해 적절한 사전 학습된 MLIPs를 선택해야 하는 필요성을 제시합니다.
• 여러 모델에 걸친 객관적이고 표준화된 벤치마크를 제공합니다.
• MLIP 정확도와 효율성에 가장 큰 영향을 미치는 요인을 식별합니다.
• 정확도와 자원 사용의 균형을 맞춘 모델 선택에 대한 실용적 지침을 제공합니다.

제안 방법

• 일반적인 분자 시뮬레이션 작업에서 15개의 사전 학습된 MLIPs를 벤치마크합니다.
• 각 모델의 정확도, 속도, 메모리 사용량 및 시뮬레이션 안정성을 평가합니다.
• 모델 크기, 학습 세트 크기와 정확도 간의 상관관계를 분석합니다.
• 명시적 쿨롱 에너지 항이 성능에 미치는 영향을 평가합니다.
• 매개변수 수와 무관하게 아키텍처 선택이 속도와 메모리에 미치는 영향을 특징짓습니다.

실험 결과

연구 질문

• RQ1 어떤 사전 학습된 MLIPs가 속도 및 메모리 비용 대비 최고의 정확도를 제공하나요?
• RQ2 모델 크기와 학습 세트 크기가 모델 간 정확도와 상관관계가 있나요?
• RQ3 명시적 쿨롱 에너지 항이 이 MLIP들에 대해 관찰 가능한 이점을 제공하나요?
• RQ4 모델 아키텍처 선택이 속도와 메모리 사용에 어느 정도까지 영향을 미치나요?

주요 결과

• 모델 정확도는 매개변수 수와 학습 세트 크기 모두와 강하게 상관관계가 있습니다.
• 명시적 쿨롱 에너지 항은 평가된 모든 모델에서 측정 가능한 이점을 제공하지 않습니다.
• 속도와 메모리 사용은 매개변수 수보다는 모델 아키텍처의 영향이 더 큽니다.
• 이 연구는 응용 분야별 정확도와 효율성 요구에 따라 MLIPs를 선택하는 객관적인 근거를 제공합니다.