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。

本研究提出了一个名为$abla^2$DFT的新数据集和基准，包含更多的分子结构、构象、数据类型和任务，并具备最新的模型。研究还提出了一个可扩展的神经网络势函数训练框架，并实施了10个模型。

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。

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。