May, 2023

PANNA 2.0：高效能的神经网络原子势函数和新架构

PDF
TL;DR本文介绍 PANNA 2.0，通过局部原子描述符和多层感知器生成神经网络原子间势，并通过变分充电平衡方案实现包括长程静电相互作用的新架构，具有改进的网络训练工具和 GPU 支持。
neural network interatomic potentialslocal atomic descriptorsmultilayer perceptronsgpu supportvarational charge equilibration scheme
发现论文，激发创造
  • C3Net: 预测异质系统物理化学性质的原子间势神经网络

    提出了用于原子类型嵌入其分子环境和基于基本物理规律的相互作用势的深度神经网络架构，应用于异质系统中预测物理化学性质并优于基于量子力学和神经网络的最新方法在溶解自由能预测任务中。

    Sep, 2023

  • PhysNet：用于预测能量、力、偶极矩和部分电荷的神经网络

    该论文介绍了 PhysNet，这是一种设计用于预测化学系统能量、力和偶极矩的深度神经网络，能在化学反应、长程相互作用和凝聚相系统中表现出卓越的性能；研究发现，在能量预测中明确地包含静电作用对于 PES 的渐近区域进行正确描述至关重要，并且 PhysNet 模型能够推广到更大的蛋白质，如二聚体 10 - 丙氨酸。

    Feb, 2019

  • 一种具有准确电静势及包含非局域电荷转移的四代高维神经网络势

    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

  • 嵌入式原子神经网络势能：利用物理启发式建模求解高效准确的机器学习问题

    我们提出了一种简单而高效准确的机器学习模型，称为嵌入原子神经网络 (EANN) 方法，用于发展高维势能面，该模型用神经网络表示了嵌入密度向量和原子势能之间的复杂关系，与已有的机器学习模型相比，EANN 方法具有更高的准确性和效率，可以大大加速复杂系统的分子动力学和光谱模拟。

    Jul, 2019

  • FeNNol：一种高效且灵活的用于构建力场增强神经网络势函数的库

    FeNNol 是一个新的库，用于构建、训练和运行增强力场神经网络势能，它提供了一个灵活和模块化的系统，使得能够轻松地将最先进的嵌入与机器学习参数化的物理相互作用项相结合，无需编程，同时利用 Jax Python 库的自动微分和即时编译功能以快速评估神经网络势能，缩小了机器学习势能与标准力场之间的性能差距，有望促进新的混合 NNP 架构在各种分子模拟问题上的开发和应用。

    May, 2024

  • TorchMD-Net 2.0：面向分子模拟的快速神经网络势函数

    TorchMD-Net 软件通过模块化设计方法，显著提高了计算效率，并引入了 TensorNet 和物理先验的集成，从而实现了从传统力场到神经网络势能的转变。

    Feb, 2024

  • 含有效芯势的费米神经网络

    本论文使用深度学习技术结合有效芯势方法，开发出一个基于神经网络的模型 FermiNet-ECPP，对 3D 过渡金属原子和其氧化物进行基态能量计算，展示了深度学习在分子和材料的电子结构计算方面的广泛应用前景。

    Aug, 2021

  • E (3) 等变原子中心势在设计空间中的研究

    本文介绍了一个将 Atomic Cluster Expansion (ACE) 和 Neural Equivariant Interatomic Potentials (NequIP) 统一起来的数学框架，以及通过 NequIP 的 ablation study 对设计选项进行探究的实验，并提出了一个简化版本 BOTNet。

    May, 2022

  • 适用于周期表的通用图深度学习原子间势能

    本文利用图神经网络，构建了一种适用于物质结构松弛、动态模拟和性质预测的万能相互作用势能模型，通过对 3100 万理论晶体结构的筛选，最终确定了大约 1578 种稳定的具有异常材料特性的合成材料。

    Feb, 2022

  • ANI-1：一种具有 DFT 精度的可扩展神经网络潜能，以势场计算成本为代价

    本篇研究论文介绍了利用深度学习神经网络在分子势能表面方面的应用，提出了 ANI-1 及其训练的过程，后者通过量子机械 DFT 计算得到，并能较为准确地预测具有 H、C、N 和 O 四种原子的有机分子的总能量。

    Oct, 2016