ترجمه فارسی مقاله قانون مقیاس‌بندی یادگیری انتقالی Sim2Real در گسترش پایگاه‌های داده مواد محاسباتی برای پیش‌بینی‌های دنیای واقعی

چکیده

To address the challenge of limited experimental materials data, extensive physical property databases are being developed based on high-throughput computational experiments, such as molecular dynamics simulations. Previous studies have shown that fine-tuning a predictor pretrained on a computational database to a real system can result in models with outstanding generalization capabilities compared to learning from scratch. This study demonstrates the scaling law of simulation-to-real (Sim2Real) transfer learning for several machine learning tasks in materials science. Case studies of three prediction tasks for polymers and inorganic materials reveal that the prediction error on real systems decreases according to a power-law as the size of the computational data increases. Observing the scaling behavior offers various insights for database development, such as determining the sample size necessary to achieve a desired performance, identifying equivalent sample sizes for physical and computational experiments, and guiding the design of data production protocols for downstream real-world tasks.

چکیده به فارسی (ترجمه ماشینی)

برای پرداختن به چالش داده های محدود مواد تجربی ، بانکهای اطلاعاتی گسترده فیزیکی بر اساس آزمایش های محاسباتی با توان بالا ، مانند شبیه سازی دینامیک مولکولی ، توسعه می یابد.مطالعات قبلی نشان داده اند که تنظیم دقیق پیش بینی کننده پیش بینی شده در یک بانک اطلاعاتی محاسباتی به یک سیستم واقعی می تواند منجر به مدل هایی با قابلیت های تعمیم برجسته در مقایسه با یادگیری از ابتدا شود.این مطالعه قانون مقیاس پذیری یادگیری انتقال به واقعی (SIM2REAL) را برای چندین وظیفه یادگیری ماشین در علم مواد نشان می دهد.مطالعات موردی از سه وظیفه پیش بینی برای پلیمرها و مواد معدنی نشان می دهد که خطای پیش بینی در سیستم های واقعی با توجه به یک قانون قدرت کاهش می یابد زیرا اندازه داده های محاسباتی افزایش می یابد.مشاهده رفتار مقیاس گذاری بینش های مختلفی را برای توسعه بانک اطلاعاتی ارائه می دهد ، مانند تعیین اندازه نمونه لازم برای دستیابی به عملکرد مورد نظر ، شناسایی اندازه نمونه های معادل برای آزمایش های فیزیکی و محاسباتی و هدایت طراحی پروتکل های تولید داده برای کارهای پایین دست در دنیای واقعی.