Allegro是一种基于E(3)等变神经网络的机器学习原子间势能（MLIP）模型，用于预测分子中的原子性质。在训练该模型时，精度与推理时间往往存在权衡关系。为此，该研究团队采用多目标超参数优化方法来平衡这两个目标。此外，研究人员通过构建不同架构变体进行实验：部分变体通过添加纯经典多层感知机（MLP）层实现，部分则引入量子-经典混合层。该工作基于QM9、rMD17-阿司匹林、rMD17-苯分子数据集及自有的铜锂原子专有数据集进行对比验证。实验结果表明，部分变体在精度上超越了原始Allegro模型，同时也获得了反映精度与推理时间权衡关系的系列数据。
作者所在地：
VIP可见
作者单位：
VIP可见
页数/图表：
登录可见
提交arXiv：
2026-02-18 21:48
