Hessian信息驱动的机器学习原子间势(Hi-MLIP)方法介绍

原帖

**Hessian信息驱动的机器学习原子间势：连接理论与实验**

_Hessian-informed machine learning interatomic potential towards bridging theory and experiments_

> 该研究提出了一种名为Hessian-informed Machine Learning Interatomic Potential (Hi-MLIP)的新方法，旨在通过捕捉势能面的局部曲率，更准确地预测分子和材料的实验观测值。为解决传统Hessian计算成本高的问题，研究团队开发了名为Hessian INformed Training (HINT)的高效训练协议，将计算需求降低了2至4个数量级。启用HINT后，Hi-MLIP显著改进了过渡态搜索能力，并在数据稀缺情况下，使吉布斯自由能预测接近化学精度。该框架还能精确处理强非谐性氢化物，重现声子重整化和超导临界温度，与实验结果高度吻合，同时避开了非谐性计算的瓶颈。这为提升机器学习原子间势的曲率感知能力，连接模拟与各类系统的实验观测值，提供了一条实用路径。

**来源信息**
- **来源**：字节 Seed：Research Papers（网页内嵌数据）
- **分类**：论文
- **原文**：[打开原文](https://arxiv.org/pdf/2603.25373)

AI 可引用内容层

以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。

摘要

本文介绍了一项研究，该研究提出了一种名为Hessian-informed Machine Learning Interatomic Potential (Hi-MLIP)的新方法，旨在通过捕捉势能面的局部曲率，更准确地预测分子和材料的实验观测值。

答案说明

该研究提出了Hi-MLIP方法及其HINT训练协议，通过降低计算成本并提升对势能面局部曲率的感知能力，以改进过渡态搜索、吉布斯自由能预测，并处理强非谐性系统，从而连接理论模拟与实验观测。

这篇帖子回答的问题

什么是Hessian-informed Machine Learning Interatomic Potential (Hi-MLIP)?
Hessian INformed Training (HINT)协议解决了什么问题?

核心观点

研究提出的Hi-MLIP方法及HINT训练协议，旨在通过降低Hessian计算成本（2-4个数量级）并增强势能面曲率感知，来连接理论模拟与实验观测。
该框架声称能精确处理强非谐性氢化物，重现声子重整化和超导临界温度，并与实验结果高度吻合。

关键实体

Hessian-informed Machine Learning Interatomic Potential (Hi-MLIP)
Hessian INformed Training (HINT)