WAVE SUMMIT 2025深度学习开发者大会将于9月9日举行，重点讨论AI技术创新与行业应用，设有平行论坛分享各行业的实践案例，并发布零代码AI开发平台VisioX，参会者可优先体验公测。

本研究关注当前通用机器学习相互作用势能（MLIPs）在材料发现中的不足，主要问题包括过度依赖于密度泛函理论（DFT）生成训练数据，以及无法进行可靠的分子动力学（MD）模拟。论文提出了利用更准确的模拟方法生成广泛材料设计空间数据，开发MLIP计量工具，以及构建高效的MLIPs来提高模拟精度的创新方案，以推动其在复杂材料建模中的实际应用。

该研究解决了化学转化中定位过渡态的计算成本问题，开发了一种图神经网络势能函数，以提高识别过渡态结构的效率。研究表明，利用该方法，每个测试系统中成功定位了过渡态，并减少了47%的从头算计算次数，显示出现代机器学习模型在加速常规计算化学任务方面的可靠性。

本研究首次定量分析全球脑尺寸与脑沟深度之间的关系，提出了一种新颖的尺度不变脑沟深度估计方法，并验证了其有效性及生物学相关性。

本研究提出了一种新算法，利用神经网络处理分子图结构，成功构建和预测高达186维的势能面，解决了高维分子和材料系统的挑战。

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。

最近研究了神经算子架构在量子力学散射过程中的应用。通过傅里叶神经算子的迭代变体，学习了Schrödinger算子的性质，从而提高了计算效率。

高维空间中的运动规划是机器人领域的难题。传统方法容易陷入局部最小值。本文提出了一种通过神经网络学习优化势能的新方法，解决了这一问题。实验表明，该方法优于传统方法，并适用于多种运动约束。

本研究提出了一种数据驱动的方法学习密度泛函理论中的交换-相关泛函，通过基于神经网络的模型在能量和原子化能等方面的显著提升，展示了利用XC势能建模XC泛函的潜力和前景。

该研究证明了图神经网络（GNNs）利用关系信息提高模型准确性的方法，并提出了一种基于采样的联合学习任务解决方法。实证结果验证了理论观点和方法的有效性。

本文介绍了一种使用神经网络来参数化任意Lagrangian的方法，称为Lagrangian神经网络（LNNs）。该方法适用于标准动量未知或难以计算的情况，并且能够产生遵守能量守恒条件的模型。通过测试双摆和相对论粒子，证明了该方法在建模时不会损耗能量，并可应用于图形、连续系统和一维波动方程。

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，并强调了理解自由能态势在准备训练数据时的重要性。研究指出了机器学习势能在自由能计算中的限制，强调了为有效模型训练需要涵盖系统的完整自由能态势的全面数据的必要性。

该研究使用不确定性量化方法检测具有较大预期误差的样本。通过应用集成方法、深度证据回归和高斯混合模型，对 syn-Criegee 和乙烯基羟基过氧化物之间的 H 转移反应进行了分析。结果显示，集成模型是最佳的异常值检测方法。此外，发现了与大平均误差相关的结构指标，有助于改进神经网络。

机器学习原子间势场通过CACE模型在材料科学和化学中起到革命性作用。该模型具有准确性、稳定性和普适性，并在不同系统中进行了验证。

该文介绍了一种通用的图神经网络架构，可用于任何约束满足问题的端到端搜索启发式训练。该方法基于一种新颖的 CSP 图形表示，可以为任何 CSP 生成问题特定的启发式。该方法在已知的 CSP 上优于以前的 RL 方法，并且可以与传统搜索启发式竞争或更好地处理结构更为复杂的测试实例。

本文介绍了一种基于能量的可转移性评估度量（ETran），用于解决目标检测和图像分类中预训练模型的排名问题。ETran通过能量得分、分类得分和回归得分来判断目标数据集对预训练模型是否为带内或带外数据，并在分类、回归和目标检测任务上都适用。实验证明，ETran在目标检测和分类基准测试上的平均性能分别比先前的方法提高了21%和12%，并在转移性评估方面取得了最新的成果。