实体
MLFF
MLFF
PulseAugur coverage of MLFF — every cluster mentioning MLFF across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
隐式机器学习力场大幅降低分子动力学模拟成本
研究人员开发了隐式机器学习力场（I-MLFFs），可显著加速分子动力学模拟。这种新方法用自洽不动点方程取代了传统的神经网络层，允许在模拟时间步长之间重用中间表示。这种方法有效地将浅层模型的计算效率与深度神经网络的准确性相结合，在各种图神经网络架构中将计算和内存使用量减少了2到5倍。该方法保持了完整的原子分辨率和积分时间步长，从而能够对生物分子和材料科学研究进行更长的轨迹和更大的系统。
-
新方法实现大时间步分子动力学模拟
研究人员开发了一个新的模拟哈密顿系统的框架，可以显著提高分子动力学模拟的效率。这种称为平均流一致性的方法通过预测选定周期内相空间的平均演化，允许在模拟中使用更大的时间步长。与以前的技术不同，它不需要访问未来状态，使其更具成本效益，并且可以应用于机器学习力场（MLFF），而无需昂贵的轨迹生成。
-
AdsMind系统利用AI代理加速催化剂发现
研究人员开发了AdsMind，一个新颖的多代理系统，旨在加速异质催化剂表面吸附构型的发现。该闭环框架集成了机器学习力场（MLFFs）和大型语言模型（LLMs），实现了自主纠错并提高了搜索可靠性。与启发式方法相比，AdsMind显著减少了所需的MLFF弛豫次数，实现了高成功率，并提供了比开放式LLM代理更准确的结果，从而支持更高效的自主化学工作流程。