N-Body-Netzwerke lernen atomare Potentiale

Forscher haben eine neue neuronale Netzwerkarchitektur für atomare Potentiale entwickelt. Sie nutzt N-Body-Netzwerke. Diese Methode verarbeitet hierarchische Strukturen in Atomen.

Standardmodelle haben oft Schwierigkeiten mit komplexen atomaren Systemen. Diese neuen Netzwerke nutzen Kovarianz, um die physikalische Genauigkeit beizubehalten. Das bedeutet, dass das Modell die Rotation und Translation von Atomen berücksichtigt.

Hauptmerkmale dieser Architektur:

  • Sie verwendet einen hierarchischen Ansatz, um atomare Wechselwirkungen abzubilden.
  • Das Modell bewahrt die Kovarianz für die physikalische Konsistenz.
  • Es lernt Potentiale mit höherer Präzision als ältere Modelle.
  • Das Design skaliert gut für unterschiedliche Systemgrößen.

Diese Arbeit hilft Wissenschaftlern vorherzusagen, wie sich Atome in neuen Materialien verhalten. Genaue atomare Potentiale führen zu besseren Simulationen in der Chemie und Physik.

Quelle: https://dev.to/paperium/n-body-networks-a-covariant-hierarchical-neural-network-architecture-forlearning-atomic-potentials-5p5

Optionale Lern-Community: https://t.me/GyaanSetuAi