Mace
PulseAugur coverage of Mace — every cluster mentioning Mace across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究发现LLM智能体难以进行多智能体探索
一篇新发表在arXiv上的研究论文探讨了当前大型语言模型（LLM）智能体在多智能体探索场景下的局限性。研究表明，这些智能体常常表现出短视和极化的交互模式，导致协调不佳和后悔度增加。为解决此问题，研究人员提出了一个名为多智能体情境化探索（MACE）的框架，该框架通过结构化的同伴选择来增强探索能力，并在探索行为和下游任务性能方面取得了显著的改进。
-
新方法从AI势中提取静电学
研究人员开发了一种名为潜伏Ewald求和（LES）的方法，用于从基础机器学习原子间势（MLIPs）中提取静电学性质。该技术能够创建更有效的MLIPs，模拟长程相互作用和电响应，这对于许多化学和材料科学模拟至关重要。该研究对源自各种基础MLIPs的LES提炼模型进行了基准测试，证明了它们预测红外光谱和Born有效电荷张量的能力。
-
新方法提高了原子间势模型的准确性
研究人员开发了新的方法，即物理感知邻域（PAN）池化和物理引导谱（PGS）混合器，以提高短程等变原子间势的准确性。这些技术侧重于改进神经网络势中的标量通道，这对于聚合和解析能量表面至关重要。当应用于 MACE 骨架时，这些标量通路校正显著降低了各种材料和分子在力与能量上的误差，计算成本仅略有增加。在 Allegro 和 NequIP 等其他模型中也观察到了改进，这表明这些标量通路保真度增强功能在不同的短程等变架构中具有可移植性。
-
新框架对齐 CT 和 EHR 数据以改进事件发生时间预测
研究人员开发了一个新的跨模态表示对齐框架，用于利用 CT 成像和纵向电子健康记录 (EHR) 改进事件发生时间 (TTE) 预测。这种由基础模型驱动的方法通过在共享的潜在空间中通过各种融合策略对齐数据，解决了模态不平衡和分布偏移等挑战。该框架在不同 TTE 任务的预测准确性方面表现出一致的改进，特别是在肺栓塞死亡率方面，对比多模态融合显示出稳健的结果。
-
新的机器学习数据集加速二维MXenes催化研究
研究人员开发了一个新的基准数据集和机器学习模型，以加速二维MXenes的催化研究。通过结合密度泛函理论计算和机器学习原子间势，他们在预测原子力和形成能方面实现了显著的加速。这种方法通过EquiformerV2和MACE等模型进行了验证，保持了高精度，并有望更有效地探索MXene的催化性能。
-
新的MLIP方法提高了准确性并实现了研究自动化
研究人员正在开发先进的机器学习原子间势能（MLIPs），以改进原子模拟。像Stein Kernelized Molecular Dynamics (SKMD)这样的新方法增强了主动学习的数据采集，从而以更少的迭代次数获得更准确的模型。其他工作探索了MLIPs的笛卡尔张量框架，并引入了像Bond Smoothness Characterization Test (BSCT)这样的新基准，以识别和纠正模型架构中的物理不准确性。此外，LLM…
-
新的MuSE模型准确捕捉物理学中的多尺度相互作用
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…
-
来自预训练 MACE 势的新核函数改进了 MLIPs 的主动学习
研究人员开发了一种利用预训练模型表征来主动学习机器学习原子间势（MLIPs）的新方法。该方法利用预训练 MACE 势的潜在空间来生成获取信号，特别是有限宽度神经网络切线核和激活核。这些信号有效地减少了训练所需的数据，在反应化学基准测试中，能量误差平均减少了 38%，力误差平均减少了 28%。
-
机器学习势难以预测二氧化硅玻璃结构
研究人员调查了机器学习势在准确预测二氧化硅玻璃中程有序性方面的局限性。利用中子和X射线衍射以及分子动力学，他们发现即使是包含长程相互作用的模型，在玻璃化后也难以复制实验上的非晶结构。短程和长程模型都表现出过度的有序和受限的网络柔性，这表明当前的方法对于无序二氧化硅的预测建模是必要的但不足够的。