Sieci N-Body uczą się potencjałów atomowych

Naukowcy opracowali nową architekturę sieci neuronowych dla potencjałów atomowych. Wykorzystuje ona sieci N-body. Metoda ta radzi sobie ze strukturami hierarchicznymi w atomach.

Standardowe modele często mają trudności ze złożonymi układami atomowymi. Te nowe sieci wykorzystują kowariancję, aby zachować dokładność fizyczną. Oznacza to, że model uwzględnia rotację i translację atomów.

Kluczowe cechy tej architektury:

  • Wykorzystuje podejście hierarchiczne do mapowania oddziaływań atomowych.
  • Model zachowuje kowariancję dla zapewnienia spójności fizycznej.
  • Uczy się potencjałów z większą precyzją niż starsze modele.
  • Projekt dobrze skaluje się dla różnych rozmiarów układów.

Praca ta pomaga naukowcom przewidywać, jak atomy zachowują się w nowych materiałach. Dokładne potencjały atomowe prowadzą do lepszych symulacji w chemii i fizyce.

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

Opcjonalna społeczność edukacyjna: https://t.me/GyaanSetuAi