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。

本文探讨了深度学习在量子力学中的应用，特别是利用神经网络预测电子能量和波函数。研究表明，深度卷积神经网络和图神经网络能有效提高计算精度和效率，尤其在多电子系统中。通过新架构和优化方法，研究实现了高精度的量子计算，推动了量子物理的理解与应用。

本文介绍了一种基于机器学习的密度泛函方法，利用深度神经网络提高电子结构计算的精度和效率。该方法在较低计算成本下，准确预测分子的动能和电子密度，适用于量子化学计算。研究表明，机器学习在加速原子模拟和材料设计方面具有重要潜力，并能纠正传统密度泛函方法的不足。

本研究利用图神经网络（GNN）技术进行分子动力学计算，提出了一种新的局部神经核方法，显著提高了分子力场的不确定性估计。通过训练GNN模型，准确预测能量和力量，并提供可靠的不确定性估计。研究还展示了GNN在预测任务中的优势，提出了AutoGNNUQ方法，优化了不确定性量化，适用于药物发现和材料科学等领域。

本文探讨了有限维代数操作在揭示守恒定律中的应用，强调神经算子在复杂物理系统建模中的有效性。研究表明，结合 Hamilton 力学与神经网络可以提高学习效率，遵循物理守恒定律，并在能量守恒等问题上展现更快的训练速度和更好的泛化能力。

该研究提出了一种结合势能和机器学习的模型，能够准确计算小分子与生物分子间的非共价相互作用。通过机器学习内原子势函数（MLIP）框架，研究探讨了经典与机器学习势能的边界，强调了全面训练数据在自由能预测中的重要性，并展示了机器学习势能在材料设计中的应用潜力。

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。