本研究提出了一种基于特征相关性的方法，解决了GNN力场模型在分布外数据上的不稳定性问题。研究表明，特征相关性与模型稳定性呈负相关，并设计了动态损失系数调度器，显著提高了模型稳定性，计算开销保持在3%以下。

本研究提出了“神经力场”（NFF）框架，以解决人工智能在有限经验下的物理推理和泛化问题。NFF通过可解释的力场有效捕捉核心物理概念，展现出优越的泛化能力。

本文针对行波电子磁体中的旋转电子动力学模拟，提出了一种基于机器学习力场的高效实现方法，解决了磁性描述符缺乏可微性和对称性不变性的问题。研究表明，该方法能够有效重现非共线自旋结构，并揭示出有趣的冷却动力学和含有skyrmion和bi-meron的玻璃条纹态，展示了机器学习力场在复杂自旋序的动态建模中的潜力。

本研究提出了一种名为PACE的全新等变网络，旨在解决传统深度模型在分子动力学中预测原子势能和力场的不足。实验结果表明，PACE在多种情境下表现出优越的性能和良好的泛化能力。

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。

本研究解决了传统分子力学力场在快速扩展的化学空间中的局限性，提出了一种现代数据驱动的方法，开发了兼容Amber的ByteFF力场。其核心在于使用生成的240万种多样的分子数据集，通过边增强的对称保持分子图神经网络训练，ByteFF在多个基准数据集上表现出色，具有卓越的准确性和广泛的化学空间覆盖，成为计算药物发现中的重要工具。

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。

通过整合深度学习和寻找新的电声子超导体的研究，利用计算材料的谱函数和训练深度学习模型，提高了预测精度，降低了临界温度误差，并展示了实际应用。

研究开发了高效的梯度域机器学习方法（GDML），利用能量守恒定律构建准确的分子力场，实现低计算代价的分子动力学模拟。

该研究开发了一种高精确性和高效性的神经网络模型，用于金属自旋玻璃体系的动力学模拟。研究结果显示，该模型在大规模动力学建模中对游离磁体具有潜力。

该文介绍了一个新的数据集xxMD，包含了真实的化学反应核配置空间和能量力学信息。作者发现等变模型在该数据集上的表现较差，强调了构建具有外推能力的可推广NFF模型所面临的挑战。

该文介绍了一种力导向的预训练模型，用于处理平衡和非平衡数据的三维分子构象。该模型通过学习非平衡数据的原子力，并引入零力正规化和基于力的去噪技术，将非平衡力转化为近似平衡力。该预训练模型在三维分子表示方面具有统一的作用，并且相比未经预训练的等变变压器模型，力的准确性提高了约3倍。此外，通过在平衡数据上添加正规化项，解决了原始等变变压器中不稳定的分子动力学模拟问题。该模型的推理时间比NequIP快2.45倍，并且在属性预测任务上达到了最先进的性能水平。

该文章介绍了xxMD数据集，该数据集通过多参考波函数理论和密度泛函理论确定了能量和力，并真实地描绘了化学反应的核配置空间。研究者重新评估了在该数据集上的等变模型，发现其误差明显高于其他模型，表明构建具有外推能力的可推广NFF模型面临挑战。

前言话说今晚（北京时间20