.png){kind=icon}
返回
Node-Equivariant Message Passing for Efficient and Accurate Machine Learning Interatomic Potentials
.png){kind=icon}
OA
AI
DOI：10.1039/D5SC07248D.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习得到的原子间势函数，特别是等变消息传递（MP）模型，已展现出在表示第一性原理数据方面的高保真度，从而革新了材料科学、生物物理学和催化领域的计算研究。然而，这些等变MP模型由于在边空间上执行昂贵的张量积运算，仍需消耗大量的计算资源和内存，显著限制了它们在大规模或长时间模拟中的应用。在本工作中，我们提出了一种新颖的节点等变消息传递（NEMP）框架，该框架在中心节点与一个编码其邻居结构信息的虚拟求和节点之间执行等变操作。关键在于，NEMP在包括分子、扩展系统和通用势能基准在内的各类测试体系中，均能保持与边缘等变MP模型相当甚至更优的精度，同时相较于边缘等变MP模型，实现了1-2个数量级的内存和计算成本降低。实际上，NEMP的计算效率已达到与基于局部描述符的模型相当的水平，并使得此前无法进行的大规模模拟得以实现。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
0
论文数:
917
被引数:
1
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 COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏SpookyNet: Learning force fields with electronic degrees of freedom and nonlocal effectsSpookyNet: 学习具有电子自由度和非局部效应的力场NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Atomic structure of boron resolved using machine learning and global samplingCHEMICAL SCIENCEOAAI
CHEMICAL SCIENCEIF7.4
OAAI分享收藏TorchANI: A Free and Open Source PyTorch-Based Deep Learning Implementation of the ANI Neural Network PotentialsTorchANI: 基于PyTorch的ANI神经网络潜力的免费开源深度学习实现OAAI
OAAI分享收藏Transfer learning for chemically accurate interatomic neural network potentials用于化学精确的原子间神经网络电势的迁移学习
OAAI
OAAI分享收藏The ANI-1ccx and ANI-1x data sets, coupled-cluster and density functional theory properties for molecules分子的ANI-1ccx和ANI-1x数据集，耦合簇和密度泛函理论性质OAAI
OAAI分享收藏
查看更多内容