该研究提出了一种数据选择方法，通过保留图像和标题的交叉协方差，提高了Contrastive Language-Image Pre-training模型的泛化性能。实验证明，该方法在ImageNet和其变体上的准确度超过了其他基线方法的2.7倍和1.4倍，并且在11个下游数据集中的平均准确度是其他基线方法的1.5倍。

介绍了基于样条的神经网络势（s-NNP）框架，结合了MEAM势和神经网络架构的灵活性，能高效描述复杂数据集。演示了该框架在研究原子势函数边界和结构变化方面的优势，以及使用样条滤波器对原子环境编码的方法。