摘要由 AI 生成
研究人员提出一种基于海森矩阵（Hessian）的分子构象增强策略，旨在提升机器学习间原子势函数的可扩展性与效率。该方法包含两种数据增强方案：各向同性高斯位移（UniAug）和简正模式加权位移（ModeAug）。通过简单的泰勒展开实现有效增强，无需修改训练目标或扩展自动微分图，支持无缝集成现有架构与训练流程。在平衡与非平衡数据集上的综合评估表明，该策略不仅提升了模型精度，还针对特定任务提供了实际指导。
相关事件RELATED EVENTS
- 2026-09-09 05:29OpenAI声称在著名的“千年难题”上取得了重大数学突破
- 2026-09-09 06:11OpenAI 宣称攻克纳维 - 斯托克斯方程难题遭学界质疑原创性
- 2026-09-08 22:00Google DeepMind Maps 9亿种可能的DNA变异
整合时间线UNIFIED TIMELINE
-
2026-09-04
Hessian-based molecular conformation au…
Hessian-based molecular conformation augmentation for a scalable and efficient strategy of machine learning interatomic…
-
2026-09-07
Hessian-based molecular conformation au…
提出两种基于 Hessian 的数据增强方案：各向同性高斯位移（UniAug）和简正模式加权位移（ModeAug）。该方法利用简单泰勒展开实现有效增强，无需修改训练目标或扩展自动微分图，支持无缝集成现有架构与训练流程。在平衡与非平衡数据集…
全部报道（2）SOURCES
Hessian-based molecular conformation augmentation for a scalable and efficient strategy of machine learning interatomic potentials
提出两种基于 Hessian 的数据增强方案：各向同性高斯位移（UniAug）和简正模式加权位移（ModeAug）。该方法利用简单泰勒展开实现有效增强，无需修改训练目标或扩展自动微分图，支持无缝集成现有架构与训练流程。在平衡与非平衡数据集上的综合评估表明，该策略提升了模型精度并提供针对特定任务的实际指导。