arXiv · Machine Learning· Abhinaba Basu, Pavan Chakraborty·· 8 小时前AI 评分21
Proof-Carrying Materials：机器学习原子间势的可证伪安全证书方法
Proof-Carrying Materials: Falsifiable Safety Certificates for Machine-Learned Interatomic Potentials
AI 导读
Proof-Carrying Materials（PCM）提出通过对抗性证伪、Bootstrap 包络精化和 Lean 4 形式化认证，为机器学习原子间势（MLIP）提供可证伪的可靠性保障。在25,000种材料基准测试中，单一 MLIP 漏掉93%的 DFT 稳定材料；PCM 在热电材料筛选案例中额外发现62种稳定材料，发现产出提升25%。该 arXiv 投稿已因不符合研究内容质量标准被撤稿。
来源：arXiv · Machine Learning · arxiv.org