scaling-laws

深度分析

等變架構改變縮放法則：神經力場（Neural Force Fields）的效能與可擴展性比較

研究針對分子位勢學習的幾何任務，評估不同神經網路在資料、參數與計算放大時的縮放行為。比較無約束MPNN、GemNet-OC、EGNN與eSEN等架構，發現等變架構隨尺度提升展現更佳縮放指數且高階表示更有利。結果暗示設計時應把對稱性直接寫入架構，並同步放大模型與資料以達計算最適化。