PulseAugur
中
实时 20:39:44
English(EN) Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations

专家混合框架加速原子模拟

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的机器学习互原子势（MLIPs）专家混合（MoE）框架，以加速原子模拟。该方法将模拟域划分为化学复杂度不同的区域，为每个区域分配不同的模型容量。一种联合训练策略确保了域接口处模型之间的一致性，防止了人工应力场。该框架在铂-一氧化碳系统上得到了验证，表明它可以在保持预测精度和能量守恒的同时，将计算速度提高一倍。 AI

影响 引入了一种新颖的MoE框架，以显著加速材料科学的原子模拟。

排序理由 这是一篇介绍用于加速模拟的新颖框架的研究论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

专家混合框架加速原子模拟

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Gabriel de Miranda Nascimento, Marc L. Descoteaux, Laura Zichi, Chuin Wei Tan, William C. Witt, Nicola Molinari, Sriteja Mantha, Daniil Kitchaev, Mordechai Kornbluth, Karim Gadelrab, Charles Tuffile, Boris Kozinsky ·

    Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations

    arXiv:2604.26143v1 Announce Type: cross Abstract: First-principles atomistic simulations are essential for understanding complex material phenomena but are fundamentally limited by their computational cost. While Machine Learning Interatomic Potentials (MLIPs) have drastically im…

相关实体

相关话题