本报讯  10月12日，我校蒋彬教授课题组在发展高精度机器学习方法上取得新进展，成果发表于《物理评论快报》上。

原子模拟可以帮助我们在微观层面理解分子光谱、反应动力学和能量/电荷转移过程。发展精确且高效的势能面对于模拟这些过程至关重要。近年来，随着机器学习技术的发展，原子神经网络框架已经成为构建势函数的常用方法。在这个框架下，体系总能量可以拆分为每个原子能量之和，原子能量被认为是原子局部化学环境的函数。近期有工作发现这些基于三体甚至四体相互作用的描述符会导致一些非物理的原子能量简并，不能完备的描述局部化学环境。这会使得目前绝大多数原子型神经网络势能面的训练会受到这种简并扭曲构型空间的影响，难以进一步提高精度。

蒋彬课题组长期致力于发展高精度机器学习势能面方法，研究团队改进了前期发展的嵌入原子神经网络方法，使得嵌入电荷密度描述符中的轨道系数变为化学环境依赖，以递归的通过更新嵌入电荷密度描述符实现，提出递归嵌入原子神经网络方法。有趣的是，这种神经网络方式与物理上不太直观的消息传递神经网络形式本质上相同。张耀龙为论文第一作者，蒋彬为通讯作者。    (微宗)