KI und die schwierigen Probleme der Welt · Chemie & Materialien · Nature Computational Science · 2026-10-13
HIP: Hessesche interatomare Potenziale ohne Ableitungen
Originaltitel: HIP: Hessian Interatomic Potentials without derivatives
Molekulare Hesse-Matrizen, die zweiten Ableitungen der potenziellen Energie, werden in vielen Arbeitsabläufen der Computerchemie benötigt, sind aber aufwendig zu berechnen und skalieren schlecht mit der Systemgröße. Die Autoren stellen HIP vor, ein Deep-Learning-Modell, das Hesse-Matrizen direkt vorhersagt, ohne automatische Differentiation oder finite Differenzen, und dabei SE(3)-äquivariante Merkmale eines Graph-Neural-Networks nutzt. Berichten zufolge ist HIP um ein bis zwei Größenordnungen schneller und genauer als Hesse-Matrizen aus automatischer Differentiation und schneidet bei der Suche nach Übergangszuständen, der Geometrieoptimierung und der Schwingungsanalyse gut ab.