机器学习长程相互作用的潜在Ewald求和
原文中文，约500字，阅读约需1分钟。发表于：。本研究解决了机器学习原子势能（MLIPs）中常忽视的长程相互作用问题，如静电和色散力。提出了一种通过从局部原子描述符中学习潜在变量并对该变量应用Ewald求和的简单高效方法。研究表明，该模型显著消除了标准短程MLIPs在处理带电、极性或非极性分子二聚体、体水及水-蒸气界面时的非物理预测，且计算成本仅为短程MLIPs的两倍左右。
利用等变图神经网络的机器学习势能可以准确地模拟分子的能量和自由能态势。研究发现，对于丁烷，关键自由能态势区域的训练数据覆盖确保了模型的准确性，而对于丙二酸酰甘氨酰二肽，经典分子动力学数据训练的模型不够准确。研究强调了组装全面的训练数据的挑战，并指出了机器学习势能在自由能计算中的限制。
