本文探讨了机器学习在材料建模中应用的原子间势函数，强调量子力学数据对势函数质量的重要性。研究表明，利用合成数据进行神经网络预训练可以有效提升模型在量子数据集上的精度和稳定性。实验验证了该方法在分子属性预测中的优越表现，展现了良好的泛化能力和可转移性。

本文介绍了利用合成的原子级数据进行神经网络原子间势函数的预训练任务，以提高计算实践中的数值精度和稳定性。作者通过一系列与碳相关的等变图神经网络势函数进行可行性验证，并进行了初步实验来测试该方法的局限性。