Fast and flexible long-range models for atomistic machine learning
Dieser Artikel stellt ein schnelles, flexibles und modulares Framework (implementiert in PyTorch und JAX) vor, das etablierte Algorithmen für langreichweitige Wechselwirkungen wie die Ewald-Summation und Particle-Mesh-Ewald in das atomistische maschinelle Lernen integriert und so die nahtlose Kombination physikalischer langreichweitiger Kräfte mit lokalen Modellen ermöglicht, um die Einschränkungen bei der Beschreibung von Elektrostatik und anderen langreichweitigen Effekten zu überwinden.