基于图神经网络的分子动力学加速代理模型

Research Paper#Molecular Dynamics, Graph Neural Networks, Surrogate Models🔬 Research|分析: 2026年1月4日 00:02•
发布: 2025年12月26日 01:22
•
1分で読める
•ArXiv

分析

本文介绍了一种基于图神经网络 (GNN) 的代理模型，用于加速分子动力学模拟。它通过直接预测原子位移，绕过了传统方法中计算成本高昂的力计算和数值积分。该模型保持精度并保留径向分布函数和均方根位移等物理特征的能力非常重要。这种方法为原子模拟提供了一种有前景且高效的替代方案，尤其是在金属系统中。
引用 / 来源
查看原文
"The surrogate achieves sub angstrom level accuracy within the training horizon and exhibits stable behavior during short- to mid-horizon temporal extrapolation."
A
ArXiv2025年12月26日 01:22
* 根据版权法第32条进行合法引用。
较旧

AgenticTCAD: A LLM-based Multi-Agent Framework for Automated TCAD Code Generation and Device Optimization

较新

Batched Training for QLSTM vs. QFWP: A System-Oriented Approach to EPC-Aware RMSE-DA

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv