IXThinker·2025-04-18 09:00

新策略融合機器學習勢精度與力場速度

應用於凝聚態系統的機器學習勢（MLPs）長期面臨化學可解釋性難題。研究人員提出融合化學啟發策略的新方法，兼顧原子級能量分解的可解釋性與接近傳統力場的計算速度，論文發表於《自然·計算科學》。

兩類方法困境

現有機器學習勢多依賴多體置換不變多項式或以原子為中心的神經網絡，兩類方法雖然有效，卻難以實現原子級能量分解的化學可解釋性，亦難完全匹配傳統力場的計算效率。