图神经网络力场在预测固态性质中的泛化能力
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了机器学习力场（MLFF）在固态材料研究中泛化能力不足的问题。通过训练图神经网络（GNN）MLFF以描述未包含在训练数据中的固态现象，结果表明该方法能够有效预测固态特性，与参考数据高度一致。这一成果为MLFF在复杂固态材料研究中的可靠应用奠定了基础。
通过构建分子结构的图表示并利用图神经网络（GNN）作为元模型，EL-MLFFs有效地捕捉了原子间相互作用并优化了力预测。EL-MLFFs相对于独立的MLFFs显著提高了力预测准确性，最佳性能由所有八个模型组合得出。剩余网络和图注意力层在模型的架构中起到了关键作用。EL-MLFFs框架为MLFF的模型选择和力预测准确性的挑战提供了一个有前景的解决方案，为更可靠高效的分子模拟铺平了道路。
