L'IA face aux grands problèmes du monde · Chimie et matériaux · Nature Computational Science · 2026-10-13
HIP : potentiels interatomiques hessiens sans dérivées
Titre original: HIP: Hessian Interatomic Potentials without derivatives
Les hessiennes moléculaires, c'est-à-dire les dérivées secondes de l'énergie potentielle, sont nécessaires dans de nombreux flux de travail de chimie computationnelle, mais elles sont coûteuses à calculer et passent mal à l'échelle avec la taille du système. Les auteurs présentent HIP, un modèle d'apprentissage profond qui prédit directement les hessiennes, sans différentiation automatique ni différences finies, en s'appuyant sur des caractéristiques SE(3)-équivariantes issues d'un réseau de neurones sur graphes. HIP serait un à deux ordres de grandeur plus rapide et plus précis que les hessiennes obtenues par différentiation automatique, et donnerait de bons résultats pour la recherche d'états de transition, l'optimisation de géométrie et l'analyse vibrationnelle.