研究人员推出了一种新颖的层次化模型——多尺度结构集成（MuSE），旨在解决预测物理系统中跨多个尺度的涌现相互作用的挑战。与通常关注狭窄相互作用范围的现有科学机器学习模型不同，MuSE采用软粗粒化池化（Soft Coarse-Graining Pooling）来创建粗粒化表示，使MLFF模块能够在不同尺度上有效运行。这种架构无关的模型已被证明能够准确捕捉各种应用中的量子力学相互作用，包括生物分子折叠和分子-石墨烯纳米结构，其性能优于其他近期长程机器学习模型。 AI
排序理由 该集群包含一篇详细介绍用于科学应用的新机器学习模型的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2605.25710v1 Announce Type: cross Abstract: Realistic physical systems are characterised by emergent interactions across multiple length and time scales, posing a significant challenge for predictive machine learning (ML) models. Most scientific ML models focus on a narrow …
Realistic physical systems are characterised by emergent interactions across multiple length and time scales, posing a significant challenge for predictive machine learning (ML) models. Most scientific ML models focus on a narrow range of interactions. While machine learning forc…