实体
Machine Learning Interatomic Potentials
Machine Learning Interatomic Potentials
PulseAugur coverage of Machine Learning Interatomic Potentials — every cluster mentioning Machine Learning Interatomic Potentials across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新的微调方法通过稀疏性增强材料基础模型
研究人员开发了一种新颖的微调方法，用于 E(3)-等变材料基础模型，该模型用于近似势能面。这种促进稀疏性的技术选择性地更新一小部分模型参数，在能量和力预测任务上实现了与完全微调相当或更好的性能。该方法在磁矩预测等专业应用中也显示出有效性，并提供对模型行为的可解释见解，例如突出过渡金属系统中 d 轨道的贡献。
-
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…
-
专家混合框架加速原子模拟
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。