这项工作提出了神经等变分子间势 (NequIP), 一种用于学习分子动力学模拟的从自由计算中学习分子间势的 E (3) 等变神经网络方法。NequIP 通过几何张量相互作用利用 E (3)- 等变卷积，此方法在数据效率方面具有非凡的性能，使得准确利用高损耗的量子化学理论构建准确潜力成为可能，并使得长时间尺度上的高保障分子动力学模拟成为可能。

Jan, 2021

通过引入新的蒙特卡罗马尔可夫链抽样算法以及新的基于 NequIP 的随机神经网络模型，本文绕过了现有的采样方法问题，实现了在揭示原子间力作用的学习中，准确性最高及良好的不确定性预估。

Apr, 2023

本文提出了 TorchMD-NET 的结构，即一种新的等变转换器，用于预测量子机械性质，经过权重分析后发现与分子动力学或正常模式采样的构象的学习表示存在差异，同时强调包括不平衡构象的数据集对于分子能量模型的评价的重要性。

Feb, 2022

通过引入等变向量表示，消息传递神经网络在预测分子相互作用方面表现出显著的功效。在消息传递过程中，两个相对的化学键向量可能会相互抵消，导致他们共享节点上的方向信息丢失。本研究开发了等变 N 体互作用网络（ENINet），明确地整合等变的多体互作用以保留消息传递方案中的方向信息。实验证明，整合多体等变表示增强了对不同标量和张量量子化学性质的预测准确性。消融研究显示，在 QM9 的 12 个性质中有 11 个平均性能提升了 7.9%，在 MD17 的力中提升了 27.9%，在 QM7b 的极化率（CCSD）中提升了 11.3%。

Jun, 2024

该文章介绍了一种新的张量表示神经网络 TensorNet，其在分子系统表示中表现出了状态 - of-the-art 的性能，能有效地降低模型计算成本，并具有准确预测分子量子量的能力。

Jun, 2023

在这项工作中，我们引入了一种新的机器学习内原子势函数（MLIP）框架，将基于样条的 MEAM 势（s-MEAM）与神经网络（NN）架构的灵活性相结合。这种框架被称为基于样条的神经网络势（s-NNP），是传统 NNP 的简化版本，可以以计算高效的方式描述复杂的数据集。我们演示了如何使用这个框架来探索经典和 ML 内原子势函数之间的边界，并突出了关键结构变化的好处。此外，我们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。最后，我们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。

Oct, 2023

我们提出了一种新的等变神经网络类，即栅格等变神经网络（LENNs），旨在满足栅格结构的局部对称性。

May, 2024

本文介绍一种基于洛伦兹群的有等变性的神经网络体系结构，其用于分类任务在粒子物理学中表现出的结果优于卷积神经网络和点云方法。

Jun, 2020

本研究介绍了第四代高维神经网络势方法，其结合了环境依赖型原子电负性和准确的原子能量，能够正确描述任意系统中的全局电荷分布，从而大大改善了现代机器学习能力的适用性，准确且广泛地应用于化学和材料科学中。

Sep, 2020

通过整合基于高阶不可约笛卡儿张量的消息传递神经网络，论文介绍了一种新的机器学习方法，用于高效地进行原子尺度模拟，表现出与第一性原理方法相当甚至更好的性能。

May, 2024