PANNA 2.0: Efficient neural network interatomic potentials and new architectures

解决问题：该论文旨在介绍PANNA 2.0，一种基于局部原子描述符和多层感知机的神经网络相互作用势的生成代码。该论文试图解决的问题是如何更高效地生成神经网络相互作用势，以及如何在其中包含长程静电相互作用。这是一个新问题，因为在过去，生成相互作用势的方法通常是基于物理原理的，而不是神经网络。

关键思路：论文中的关键思路是使用局部原子描述符和多层感知机来生成神经网络相互作用势，并通过变分电荷均衡方案来包含长程静电相互作用。相比当前领域的研究状况，该论文的思路在于使用神经网络来生成相互作用势，这是一种新的方法。

其他亮点：该论文的亮点包括改进了网络训练的工具、更好的GPU支持、新的插件和新的架构，以实现长程静电相互作用的包含。该论文使用了常用基准数据集以及更丰富的数据集进行了多个基准测试，比较了PANNA模型与现有技术的准确性。该论文还提供了开源代码。

关于作者：该论文的主要作者是Franco Pellegrini、Ruggero Lot、Yusuf Shaidu和Emine Küçükbenli。他们分别来自不同的机构。在过去，Franco Pellegrini曾发表过多篇与分子动力学相关的论文，Ruggero Lot曾在分子动力学和材料建模方面做出过贡献，Yusuf Shaidu曾在机器学习和高性能计算方面做出过贡献，Emine Küçükbenli曾在计算化学方面做出过贡献。

相关研究：近期其他相关的研究包括：

  1. "Neural Network Potentials for Reactive Systems via Transfer Learning"，作者为Shuo Yang、Han Wang和Lin Lin，来自加州大学伯克利分校。
  2. "Machine Learning Force Fields: Construction, Validation, and Outlook"，作者为Tristan Bereau，来自马克斯·普朗克软物质研究所。
  3. "Deep Potential Molecular Dynamics: A Scalable Model with the Accuracy of Quantum Mechanics"，作者为Han Wang、Linfeng Zhang和Lin Lin，来自加州大学伯克利分校。

论文摘要：我们介绍了最新版本的PANNA 2.0（基于人工神经网络结构的性质），这是一个基于局部原子描述符和多层感知器的神经网络相互作用势生成代码。在一个新的后端上构建，这个新版本的PANNA具有改进的工具来定制和监控网络训练，更好的GPU支持，包括快速描述符计算器，新的插件用于外部代码和一个新的架构，通过变分电荷均衡方案包含长程静电相互作用。我们概述了新代码的主要特点，并对常用基准测试以及更丰富的数据集上PANNA模型的准确性与现有技术进行了多次基准测试。

内容中包含的图片若涉及版权问题，请及时与我们联系删除