interatomic-potentials

本文提供了一种完备性理论，证明图神经网络中的多层消息传递能够实现对原子间势能的普适近似，从而为机器学习势能中的常见架构实践提供了理论依据。

来自MIT、华威大学和NVIDIA的研究人员提出了Stein核化分子动力学（SKMD），这是一种增强采样方法，利用相互作用粒子动力学为机器学习原子间势（MLIPs）的主动学习和微调获取信息丰富的训练构型。SKMD是Stein变分梯度下降的随机变体，专为分子动力学进行了适配，在保持Boltzmann分布的同时，以更少的训练迭代次数实现了比基线方法更高的模型精度。