第一时间掌握
编辑 | 萝卜皮
近年来，基于从头算参考计算的成年机器学习力场 (MLFF) 的开发取得了巨大进展。虽然实现了较低的队基测试误差，但由于担心在较长的算D算方模拟时间范围内会出现不稳定性，MLFF 在分子动力学 (MD) 模拟中的于欧可靠性正面临越来越多的审查。
研究表明，新计对累积不准确性的天完d团稳健性与 MLFF 中使用等变表示之间存在潜在联系，但与这些表示相关的成年计算成本可能会在实践中限制这种优势。
为了解决这个问题，队基Google DeepMind、算D算方柏林工业大学（TU Berlin）的于欧研究人员提出了一种名为 SO3krates 的 transformer 架构，它将稀疏等变表示（欧几里得变量）与分离不变和等变信息的新计自注意力机制相结合，从而无需昂贵的天完d团张量积。
SO3krates 实现了精确度、成年稳定性和速度的队基独特组合，能够对长时间和系统尺度上的物质量子特性进行深入分析。
该研究以「A Euclidean transformer for fast and stable machine learned force fields」为题，于 2024 年 8 月 6 日发布在《Nature Communications》。
