Benchmarking Universal Machine Learning Force Fields for Crystal Structure Prediction of High-Energy Molecular Systems
Cette étude évalue la fiabilité des champs de force d'apprentissage automatique universels (MACE, MACE-OFF et UMA) pour la prédiction de structures cristallines de systèmes moléculaires à haute énergie, démontrant que si l'application directe affiche un succès élevé, la combinaison de ces modèles avec une pré-relaxation par champ de force classique réduit systématiquement les échecs et identifie MACE-OFF comme le choix optimal pour équilibrer la fidélité structurelle et l'efficacité computationnelle.