具有可微分玻尔兹曼估计的神经网络间接势的稳定性感知训练
内容提要
该文综述机器学习原子间势的进展，涵盖NequIP（E(3)等变网络提升数据效率）、s-NNP（样条与神经网络结合）、PhysNet（预测能量、力与偶极矩），以及不确定性量化、贝叶斯神经网络预测行星不稳定性、SNN监督学习等研究。
延伸解读
从NequIP到BOTNet：等变势的简化探索
文章提到一个统一ACE与NequIP的数学框架，并通过消融实验提出简化版本BOTNet。这反映了机器学习原子间势领域在追求高精度同时，也在探索模型简化与计算效率的平衡。读者可关注这种简化是否在保持等变优势的同时降低计算成本，以及其对数据效率的影响。
s-NNP：样条与神经网络的融合
s-NNP将基于样条的MEAM势与神经网络结合，旨在兼顾计算效率和描述复杂数据集的能力。其样条滤波器编码原子环境可产生易解释的嵌入层，并允许跨化学系统共享。这为理解经典势与机器学习势的边界提供了工具，也提示可解释性在势函数设计中的价值。
不确定性量化：集成方法仍占优
文章综述了多种不确定性量化方案，包括平均-方差估计、深度证据回归和高斯混合模型，并与集成方法比较。结论指出，成本有效的单一确定性模型尚不能始终匹配或胜过集成方法。这意味着在实际应用中，若对不确定性估计可靠性要求高，集成方法仍是更稳妥的选择。
跨领域启示：从原子势到行星稳定性
文章提及贝叶斯神经网络预测行星系统不稳定性，以及SNN监督学习等研究。这些跨领域工作表明，神经网络势中发展的不确定性量化和等变网络思想，可能迁移到其他科学预测问题。读者可留意这些方法在不同尺度物理系统中的泛化能力和计算速度表现。
Q&A
NequIP是什么？它有什么特点？
NequIP是一种用于学习分子动力学模拟的E(3)等变神经网络方法，通过几何张量相互作用利用E(3)-等变卷积，在数据效率方面具有非凡性能，使得准确利用高损耗的量子化学理论构建准确潜力成为可能，并支持长时间尺度上的高保障分子动力学模拟。
s-NNP框架是如何将样条和神经网络结合的？
s-NNP框架将基于样条的MEAM势（s-MEAM）与神经网络架构的灵活性相结合，是传统NNP的简化版本，能以计算高效的方式描述复杂数据集。使用样条滤波器对原子环境进行编码可产生容易解释的嵌入层，并能与NN修改结合以纳入预期物理行为，提高可解释性。
PhysNet模型能预测哪些性质？它在哪些方面表现出色？
PhysNet是一种深度神经网络，设计用于预测化学系统的能量、力和偶极矩。它在化学反应、长程相互作用和凝聚相系统中表现出卓越性能。在能量预测中明确包含静电作用对正确描述PES的渐近区域至关重要，且模型能推广到更大的蛋白质，如二聚体10-丙氨酸。
在机器学习原子间势中，不确定性量化有哪些方案？效果如何？
不确定性量化方案包括平均-方差估计、深度证据回归和高斯混合模型，并与基于集成的方法进行比较。研究表明，对于不确定性量化，成本有效的单一确定性模型尚不能始终匹配或胜过集成方法。
贝叶斯神经网络如何用于预测行星系统的不稳定性？
通过深度学习技术，使用基于贝叶斯神经网络的新颖内部结构学习预测指标，成功预测行星系统的不稳定性，并在不同情境下表现出强大的泛化能力和计算速度，为预测行星系统不稳定性提供了新方法。
SNN模型如何实现监督学习？
该SNN模型基于神经科学中对称性脉冲定时相关塑性规则，结合生物可行的突触缩放和动态阈值的内在可塑性来实现监督学习，在标准识别任务中实现了良好性能。其学习规则基于局部脉冲事件，因此可以轻松应用于神经形态硬件，有助于理解生物神经系统内部的监督学习信息处理机制。
