A Lightweight Universal Machine-Learning Interatomic Potential via Knowledge Distillation for Scalable Atomistic Simulations
Die Studie stellt SevenNet-Nano vor, einen leichten, universellen maschinellen Lern-Interatomar-Potenzial, der durch Wissensdistillation von einem großen Lehrermodell abgeleitet wird und trotz kompakter Architektur hohe Genauigkeit sowie eine über zehnmal schnellere Rechengeschwindigkeit für skalierbare Atomarsimulationen unter verschiedenen Bedingungen ermöglicht.