rMD17
PulseAugur coverage of rMD17 — every cluster mentioning rMD17 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究解释了优化器为何在等变网络上表现不佳
研究人员确定了某些优化器（如 Muon）在训练等变神经网络时优于 Adam 的一个关键原因。问题源于 Adam 在等变线性层的不同块之间处理学习率的方式。具体来说，Adam 会单独重新缩放权重，而不考虑这些块的边界，从而导致步长不一致。提出的解决方案包括单独对每个块的更新进行归一化，并结合调整后的动量系数，这使得 Adam 在各种数据集上能够与 Muon 相媲美。
-
AdaptNTK框架提升了AI在分子动力学模拟中的应用
研究人员开发了AdaptNTK，一种用于神经网路势能不确定性量化和主动学习的新型框架。这种单一模型方法使用经验神经切线核（NTK）特征空间中的正则化马氏距离来估计不确定性，并且可以在不重新训练的情况下递归更新。AdaptNTK在分子动力学模拟中表现出强大的性能，与力误差实现了高相关性，并在rMD17和Transition-1X等数据集的主动学习实验中，尤其是在过渡态构型方面，优于集成方法。
-
新的CliffordSTF方法提高了AI分子力势的准确性
研究人员开发了一种名为CliffordSTF的新方法，该方法显著提高了原子间势在预测分子力方面的准确性。该方法通过引入对准确力方向预测至关重要的更高阶对称无迹张量分量，解决了现有几何代数方法的局限性。在rMD17等分子数据集和OC22等催化基准上的实验表明，与基线方法相比，在能量和力方面的力余弦相似性有了显著提高，平均绝对误差有所降低。
-
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。