MLIPs
PulseAugur coverage of MLIPs — every cluster mentioning MLIPs across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的MoE架构提升了MLIPs的性能和可解释性
研究人员为机器学习原子间势（MLIPs）开发了新的专家混合（MoE）和线性专家混合（MoLE）架构。这些模型集成到DPA3框架中，在OMol25、OMat24和OC20M等基准测试中，与现有基线相比，性能有了显著提升。研究强调，共享专家和逐元素路由策略的稀疏激活是增强模型容量和实现化学上可解释的专家专业化的关键。
-
New ontology standardizes machine learning interatomic potentials
研究人员开发了一种新的本体，即 MLIPs 本体，用于标准化机器学习原子间势（MLIPs）的描述。这个 OWL 2 DL 本体旨在通过捕获与 MLIP 方法、其超参数、具有 DFT 出处的训练数据集以及基准测试相关的概念来解决该领域分散的元数据问题。该本体结构分为三个模块：方法、训练数据和基准测试，并与材料科学和机器学习中的现有本体集成。
-
新框架实现机器学习势能的可扩展、鲁棒主动学习
研究人员开发了一种新的机器学习势能（MLIPs）主动学习框架，解决了可扩展性和鲁棒性挑战。该框架利用力感知神经切线核（NTK）来高效筛选大量的分子结构候选池。该方法在OC20数据集上表现出有效性，实现了低能量和力误差，并在其他基准测试中保持竞争力且鲁棒。
-
AI模型利用可极化原子多极矩学习长程静电学
研究人员开发了一个新的机器学习原子间势（MLIPs）框架，解决了长程静电学和极化问题。该方法使用可极化原子多极矩来预测环境依赖的潜在单极矩、偶极矩和四极矩，同时通过线性响应捕获非局域电荷转移和极化。该框架在各种基准测试中显示出更高的准确性，并使MLIPs能够预测对极化敏感的可观测值。
-
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。