EL-MLFFs: Ensemble Learning of Machine Leaning Force Fields

机器学习力场（MLFF）已成为一种有前途的方法，可弥合量子力学方法的准确性和经典力场的效率之间的差距。然而，MLFF模型的丰富性以及准确预测原子力的挑战在实际应用中构成了重大障碍。在本文中，我们提出了一种新颖的集成学习框架EL-MLFFs，它利用堆叠方法整合来自不同MLFFs的预测结果，并增强力预测的准确性。通过构建分子结构的图表示并采用图神经网络（GNN）作为元模型，EL-MLFFs有效地捕捉原子间的相互作用并细化力的预测。我们在两个不同的数据集上评估了我们的方法：甲烷分子和吸附在Cu（100）表面的甲醇。结果表明，与单个MLFF相比，EL-MLFFs显著提高了力预测的准确性，所有八个模型的集成效果最佳。此外，我们的消融研究突出了残差网络和图注意层在模型架构中的关键作用。EL-MLFFs框架为解决MLFFs中的模型选择和力预测准确性的挑战提供了有前途的解决方案，为更可靠和高效的分子模拟铺平了道路。

如何提高机器学习力场（MLFF）的原子力预测精度和模型选择问题？

提出了一种新的集成学习框架EL-MLFFs，通过堆叠多个MLFF模型的预测结果，利用图神经网络（GNN）构建分子结构图表达，有效捕捉原子间相互作用，提高原子力预测精度。

实验结果表明，EL-MLFFs显著提高了原子力预测精度，特别是使用所有八个模型的集成效果最好。同时，研究还探究了残差网络和图注意力层在模型架构中的重要性。

最近的相关研究包括：1. 'Deep Potential Molecular Dynamics: A Scalable Model with the Accuracy of Quantum Mechanics'；2. 'Neural Network Potential Energy Surfaces in Chemistry: A Tool for Large-Scale Simulations'。