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。

本研究提出了一种基于机器学习的数值模拟工作流，利用深度神经网络和图神经网络提高材料建模的速度和准确性。通过训练机器学习势能模型，展示了在材料设计和性质预测中的应用潜力，尤其在石墨烯和钛的研究中表现突出。此外，提出的无监督框架CrysAtom显著提升了晶体性质预测的性能。

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。

该论文介绍了多种基于深度学习的模型，如PhysNet、EANN和FermiNet-ECPP，旨在提高化学系统能量和力的预测精度。这些模型在分子动力学和药物发现中表现出色，强调了全面训练数据在自由能预测中的重要性。

本文探讨了基于机器学习的势场（MLFFs）在分子模拟中的应用，特别是EL-MLFFs模型通过图神经网络优化原子间相互作用，提高了力预测的准确性。同时，研究展示了融合数据学习策略在钛的机器学习势能模型中的有效性，适用于多种材料。此外，sGDML模型和BETE-NET深度学习模型在材料发现和超导体筛选中展现了良好潜力。

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