研究提出无需自动微分或有限差分的 Hessian 原子间势模型 HIP
HIP: Hessian Interatomic Potentials without derivatives
研究提出 HIP,一种直接预测分子 Hessian 的深度学习模型,不依赖自动微分或有限差分。HIP 用图神经网络生成最高到 l=2 的不可约表示特征,并据此构建 SE(3) 等变对称 Hessian。HIP 的 Hessian 计算快一到两个数量级且更准确,在过渡态搜索、几何优化、零点能校正和振动分析中表现更优,代码和模型权重已开源。
论文给出直接预测 Hessian 的等变模型,并展示过渡态搜索和振动分析等任务结果,便于判断其计算化学适用范围。
已发表论文 · journal · 10.1038/s43588-026-01066-x
本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。
IF(5) 21.9 · 2025 · 期刊参考指标
分子海森矩阵,即势能的二阶导数,是计算化学中许多工作流程的基础。通常,精确的海森矩阵计算成本高昂,且随系统规模扩大而扩展性不佳,无论采用量子化学方法还是机器学习原子间势来计算都是如此。在此我们提出了海森原子间势(Hessian Interatomic Potentials,HIPs),这是一种深度学习模型,可直接预测海森矩阵,无需依赖自动微分或有限差分。为此,我们利用图神经网络计算得到的最高至 l = 2 阶的不可约表示(irrep)特征,构建 SE(3) 等变的对称海森矩阵。HIP 海森矩阵的速度快一到两个数量级,精度更高、内存效率更佳、更易于训练,并且随系统规模展现出良好的扩展性。我们在广泛的下游任务中验证了预测结果,证明其在过渡态搜索、几何优化、零点能修正和振动分析中始终表现更优。我们已将 HIP 的代码和模型权重开源。
来源:Nature Computational Science · doi.org