本研究提出了一种基于大型语言模型的算法，解决高维分子势能面计算问题。该算法通过图结构表示分子系统，利用神经网络处理子系统，成功构建了51维和186维化学系统的势能面，展示了在高维问题中的应用潜力。

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。

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。