BranchIP：学习自适应等变计算用于原子间势

arXiv:2610.02013v1 公告类型：新 摘要：等变机器学习原子间势（MLIPs）彻底改变了原子尺度建模，但要准确处理复杂材料和分子系统，需要使用计算成本高昂的模型。这限制了模拟的长度和时间尺度，其中张量积是关键的计算瓶颈。近年来基础模型规模的 MLIPs 进一步加剧了这一挑战。我们提出 Branch Interatomic Potential（BranchIP），这是一种用于学习自适应张量积计算的单模型框架，并采用一种新颖的蒸馏损失进行训练。在对两个具有物理意义的系统——一个多相催化系统和一种质子传导固体酸电解质——进行的实验中，BranchIP 在不同模型规模下将 MLIPs 的速度提升最高达 2.4 倍，同时将内存使用量最多降低 2.6 倍。在此过程中仍保持了物理保真度。此外，所学习的自适应计算还提供了模型可解释性：它揭示了哪些相互作用需要更深层次的计算，并展示了计算深度与化学复杂性及动力学之间的关系。