HIP 模型直接预测 Hessian，分子振动计算误差降低约 60%

bravo_abad · x · 2026-10-19

Burger 等研究者提出 Hessian Interatomic Potential（HIP），一种让 AI 分子计算更快的方法：

• 问题：计算分子振动模式或反应过渡态，需要知道移动一个原子如何改变其他原子上的受力（Hessian 矩阵），即便 AI 已能快速预测能量和力，这部分通常仍需对模型输出做微分，成本高昂。
• 方法：在图神经网络上加一个预测头，直接输出 Hessian，并用参考 Hessian 数据训练；架构中内建了矩阵的对称性和分子旋转时的变换规律，无需再对能量/力输出做自动微分。
• 结果：相比用微分方式计算的 EquiformerV2 基线，HIP 将 Hessian 误差降低约 60%，且计算更快。

配图展示了 DFT、HIP 与自动微分基线在反应物/过渡态/产物路径上的势能面与 Hessian 本征值对比，HIP 与 DFT 参考高度吻合。

原文链接 →

「研究」频道最新

• ICLR 2027 现重名桌拒事故：同姓名投稿遭连坐拒稿 — LesterMackey · 2026-10-19
• ELLIS x UniReps 讲座:AI 模型表征的普适 steering 方法 — ClementineDomi6 · 2026-10-19
• Looped Transformer 越循环越差？团队定位「潜在过度思考」并给出修复 — KyeGomezB · 2026-10-19
• 机器人模型为何比 LLM 更难评测：RoboDojo 揭示 GPT-6 榜单第一的真相 — binarybits · 2026-10-19
• 微软发布 DevAX:实测发现新模型编码质量更差、token 贵 12 倍 — DanWahlin · 2026-10-19
• Pathway 发布「推理方程式」，试图为智能泛化建立数学理论 — schwentker · 2026-10-19

更多「研究」频道 AI 资讯 →