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
-
新方法优化机器学习原子间势的训练数据
研究人员开发了一种新的方法来选择机器学习原子间势的训练数据，这对于在原子层面模拟材料至关重要。该研究引入了一种预算依赖的交叉策略，该策略平衡了结构多样性与模型存在分歧的配置的靶向性。该方法在 MACE 模型上使用 GAP-20 Carbon 和 MD17 数据集进行了测试，证明了最优选择方法取决于保留的数据量。
-
新框架改进了静电相互作用的MLIP
研究人员开发了一个新的机器学习原子间势（MLIP）框架，该框架能更好地处理静电效应。该框架将现有模型视为密度泛函理论（DFT）的粗粒化近似，阐明了学习量的假设和物理意义。研究团队使用MACE架构在此设计空间内实现了并比较了各种模型，并在金属-水界面和二氧化硅中的带电空位上评估了它们的性能。他们的发现表明，当前的MLIP存在局限性，需要更具表现力的自洽模型来解决模拟具有显著静电相互作用的系统中的失败问题。
-
新AI框架提高晶体结构预测准确性
研究人员开发了CrystalGRPO，一种用于流基生成模型的新型训练后框架，旨在改进晶体结构预测（CSP）。该框架使用强化学习来优化下游目标恢复，超越了传统的能量奖励。CrystalGRPO集成了MACE预测的能量和基于StructureMatcher的恢复分数，提供两种模式：CrystalGRPO-Q用于优先考虑单次抽取恢复，CrystalGRPO-C通过参考正则化和覆盖感知优势来保留有限预算的目标恢复。在各种数据集和骨干网络上的实…
-
基于MLIP的新方法增强材料生成和评估
研究人员引入了一种新方法，利用预训练机器学习原子间势（MLIPs），特别是MACE的表征来生成和评估无机晶体结构。他们开发了一种粗粒度-精细度传输距离（CFTD）指标来评估生成材料的质量和新颖性，并将其与现有的SUN指标进行了比较。研究表明，这些粗粒度的MACE特征可以有效地指导材料发现的生成模型。
-
新的GNN模型推动晶体性质预测和分子模拟
研究人员开发了新的图神经网络（GNN）模型来预测晶体性质。其中一种方法CPGN使用多尺度GNN联合学习原子、键和配位多面体表示，在形成能和带隙预测的基准数据集上优于现有模型。另一项开发MolCryst-MLIPs提供了一个分子晶体微调MACE模型的开放数据库，该模型能够解析多晶型能量景观并在模拟过程中保持结构完整性。
-
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。