一篇新的综述论文系统地考察了机器学习原子间势(MLIP),重点关注其效率。该论文提出将各种MLIP架构,包括经典方法和现代Transformer,统一在称为原子团簇展开(ACE)及其图泛化GRACE的框架内。这种方法表明,MLIP的多样性很大程度上源于处理非线性和优化的方式,而不是可表示相互作用的根本差异。该综述展示了MLIP的成本如何与系统大小呈线性关系,并讨论了准确性与计算成本之间的权衡,指出层数较少的模型可以接近更深层模型的准确性。 AI
影响 为理解和开发更高效的机器学习原子间势提供了一个统一的框架。
排序理由 该聚类包含一篇关于机器学习原子间势的学术综述论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →