本文提出了Entropy-SGD优化算法，通过局部几何改善深度神经网络的训练，展现出比SGD更平滑的能量景观和更好的泛化性能。同时，研究探讨了熵正则化在马尔可夫决策过程中的应用，证明了其在优化速度和收敛性方面的优势。

TorchMD是一个结合经典与机器学习的分子模拟框架，提升了数据驱动模型的质量。研究提出了DiffTRe方法和Allegro算法，分别用于神经网络势函数学习和高精度能量预测。基于机器学习的原子间势函数在材料建模中发挥重要作用，合成数据集的预训练有助于提高模型精度。新框架s-NNP结合了样条势与神经网络，增强了可解释性和跨系统分析能力。

本文探讨了利用机器学习和深度神经网络加速量子化学计算的方法。研究者提出了基于QM9数据集的量子哈密顿矩阵预测模型和PhysNet深度神经网络，这些模型显著提升了计算效率和准确性，具有广泛的分子设计和材料开发应用前景。

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。

我们在这封信中介绍了 TensorNet 的一个扩展，它是一种最先进的等变笛卡尔张量神经网络势能，不需要架构改变或增加成本即可处理带电的分子和自旋态。通过结合这些属性，我们解决了输入退化问题，提高了模型在不同化学系统中的预测准确性。这一进步显著拓宽了 TensorNet 的适用范围，同时保持了效率和准确性。

该论文介绍了一种名为PhysNet的深度神经网络，用于预测化学系统能量、力和偶极矩。研究发现，静电作用对能量预测至关重要。该模型还能推广到更大的蛋白质。

该研究介绍了一种新的机器学习内原子势函数（MLIP）框架，称为基于样条的神经网络势（s-NNP），可以以计算高效的方式描述复杂的数据集。研究者演示了如何使用该框架探索经典和 ML 内原子势函数之间的边界，并展示了使用样条滤波器对原子环境进行编码会产生容易解释的嵌入层，可以与 NN 的修改相结合，以纳入预期的物理行为并改善整体可解释性。研究者还测试了样条滤波器的灵活性，观察到它们可以在多个化学系统之间共享，以提供一个方便的参考点，从而开始进行跨系统分析。