.png){kind=icon}
返回
Efficient equivariant model for machine learning interatomic potentials
.png){kind=icon}
OA
AI
DOI：10.1038/s41524-025-01535-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在现代计算材料学中，机器学习已展现出预测原子间势能的能力，从而支持并加速传统的分子动力学（MD）模拟。然而，现有模型通常在准确性和效率之间做出取舍。此外，高效模型的需求日益增长，以在显著降低计算成本的同时，实现对更大规模模拟系统的构建。在此，我们介绍了一种高效的等变图神经网络（E2GNN），它能够实现分子和晶体中原子间势能及力的准确且高效的预测。E2GNN并未依赖高阶表示，而是采用标量-向量双表示来编码等变特征。通过学习几何对称性信息，我们的模型在保持高效的同时，通过等变性确保了预测的准确性和鲁棒性。我们的结果表明，E2GNN在各类数据集（包括催化剂、分子和有机异构体）上持续优于代表性基线模型的预测性能，并在不同数据集上实现了显著效率提升。此外，我们在固态、液态和气态系统中使用E2GNN力场进行了分子动力学模拟。研究发现，E2GNN在所有受检系统中均能达到从头算分子动力学（ab initio MD）的精度。
期刊
IF:
11.9
论文数:
2.4K
被引数:
1.7W
机构
暂无机构信息
引用论文
E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties晶体图卷积神经网络用于准确和可解释的材料特性预测OAAI
OAAI分享收藏Atomistic Line Graph Neural Network for improved materials property predictions用于改进材料性能预测的原子线图神经网络OAAI
OAAI分享收藏Deep-learning density functional theory Hamiltonian for efficient ab initio electronic-structure calculation用于有效从头算电子结构计算的深度学习密度泛函理论哈密顿量OAAI
OAAI分享收藏CHGNet as a pretrained universal neural network potential for charge-informed atomistic modellingCHGNet作为预训练的通用神经网络，具有用于电荷信息原子建模的潜力OAAI
OAAI分享收藏
查看更多内容