本研究提出了一种集成知识蒸馏方法，旨在解决机器学习原子间势在数据不足和量子化学理论局限下的精度问题。该方法在ANI-1ccx数据集上实现了先进的精度，并提高了分子动力学模拟的稳定性。

本文介绍了神经等变分子间势(NequIP)及其在分子动力学模拟中的应用。NequIP通过E(3)-等变卷积提高数据效率，结合深度迁移学习和Monte Carlo方法，优化计算成本。研究强调了基于机器学习的原子间势函数的预训练任务、数据集和训练流程的重要性。新框架s-NNP结合样条和神经网络，提升了模型的可解释性和计算效率。