1. 项目概述当机器学习原子间势遇上长程力在分子模拟和材料设计的日常工作中我们这些“炼丹师”最头疼的问题之一就是如何在保证计算效率的前提下准确地描述原子间的相互作用。传统的量子力学方法比如密度泛函理论DFT精度高但贵得离谱算个几百个原子的体系都得等上几天几夜。机器学习原子间势MLIPs的出现像是一道曙光它通过学习海量的量子力学计算数据能用一个轻量级的神经网络模型以接近经典力场的速度预测出接近DFT精度的能量和力。这让我们大规模、长时间尺度的模拟成为了可能。但MLIPs有个“先天不足”为了追求极致的计算效率通常是O(N)的线性标度绝大多数主流模型比如大家熟悉的DeePMD、NequIP、MACE都采用了短程近似。简单说就是一个原子的能量只由它周围一个“球”内的邻居原子决定这个球的半径就是截断半径cutoff通常在5到6埃左右。球外面的原子对不起模型“看”不见。这个假设对于描述金属键、共价键这类衰减很快的相互作用没问题但对于静电相互作用1/r和伦敦色散力1/r^6这类长程力就彻底抓瞎了。你可能会想不就是库仑力嘛经典分子动力学里用Ewald求和或者粒子网格EwaldPME算法处理了这么多年直接搬过来不就行了问题没那么简单。MLIPs的核心是“学习”而传统的Ewald求和需要明确的点电荷。但在MLIP的框架里原子的“电荷”并不是一个预先定义的、固定的物理量它高度依赖于局部的化学环境。一个氧原子在水分子里和在一氧化碳里它的有效电荷能一样吗显然不能。所以如何让模型自己“学会”在什么环境下该带多少“电荷”并且用这个“电荷”去正确地计算长程相互作用就成了一个关键挑战。最近读到程冰清老师团队在arXiv上放出的预印本《Latent Ewald Summation for Machine Learning of Long-Range Interactions》里面提出的隐式Ewald求和LES方法让我眼前一亮。它没有去直接预测物理的部分电荷这本身就不是一个严格的观测量而是另辟蹊径学习一个与局部环境相关的隐变量Latent Variable然后对这个隐变量做Ewald求和来得到长程能量。这个思路非常巧妙既保持了模型的端到端可训练性又以一种物理上合理的方式引入了长程效应。更棒的是它的计算开销只比纯短程模型增加大约一倍并且可以像插件一样轻松集成到现有的各种MLIP框架里。这篇文章我就结合自己的理解来深度拆解一下LES方法的原理、实现细节以及我们在复现和应用时需要注意的那些“坑”。2. 核心思路拆解为什么是“隐变量”在深入代码之前我们得先搞清楚LES到底想解决什么根本问题以及它的设计哲学是什么。这有助于我们理解后续的所有技术选择。2.1 短程MLIPs的“阿喀琉斯之踵”短程MLIPs的失败案例在涉及长程力的体系中比比皆是论文里也给出了几个经典场景带电/极性分子二聚体当两个分子距离超过截断半径时在模型的“眼中”它们就是两个完全独立的、互不影响的图。消息传递Message Passing也无能为力因为消息根本传不过去。这会导致结合能曲线在长距离处严重失真力预测完全错误。体相水的介电响应水的介电常数来源于其分子偶极矩的长程关联。短程模型无法描述这种跨越多个分子尺度的关联导致在计算偶极密度关联函数时在小波矢k→0对应长波长区域出现非物理的发散。液-气界面在界面处水分子会形成指向界面的偶极层并通过内部水分子的屏蔽效应使得体相没有净偶极矩。短程模型无法有效描述这种屏蔽效应可能导致界面处偶极取向的预测出现偏差甚至错误地预言体相中存在持续的偶极序。熔融盐、稀电解质溶液这些体系的核心就是长程的库仑相互作用。忽略它模拟出的离子分布、电导率等性质将与现实严重不符。所以问题的核心是我们需要一种机制让模型中每个原子的“状态”能够影响到整个模拟盒子中所有其他原子无论它们相距多远。2.2 现有长程方案的“妥协”在LES之前社区已经提出了不少方案但各有各的“妥协”经验基线校正直接给总能量加上一个基于经验力场如Lennard-Jones Coulomb的长程项。这简单粗暴但需要额外的参数并且假设这个经验项在所有化学环境中都适用通用性差。预测部分电荷让神经网络直接输出每个原子的部分电荷然后用这些电荷去计算静电能量。代表工作是4G-HDNNP。但部分电荷本身不是量子力学可观测算符的本征值它的值严重依赖于你用的电荷划分方法比如Hirshfeld、Mulliken、DDEC等。用哪种方法得到的电荷作为训练标签这本身就是一个有争议的选择。预测Wannier函数中心像DeePMD-LR那样预测最大局域化Wannier函数中心MLWFC将其视为“电子云”的等效电荷中心。这物理图像更清晰但只适用于绝缘体体系并且计算Wannier中心本身也有开销。长程描述符如LODE方法在倒易空间中直接计算由所有原子产生的库仑势场或其他1/r^p势场并将其作为每个原子局部描述符的一部分。这很优雅但计算和存储全局势场在每一个原子处的投影复杂度较高。长程消息传递在倒易空间进行消息传递让原子通过傅里叶空间交换信息。这非常灵活但模型结构相对复杂。2.3 LES的“四两拨千斤”之道LES的核心思想可以用一句话概括“局部产生全局作用”。局部产生Local Generation对于体系中的每一个原子i模型根据其局部原子环境描述符B_i这个B可以是SOAP、ACE、或者消息传递网络中的隐层特征通过一个小的多层感知机MLPQ_φ映射出一个隐变量q_i。这个q_i可以是一个标量也可以是一个多维向量。关键在于q_i的生成只依赖于原子i的局部环境这符合“近视眼原理”nearsightedness principle也使得模型的前向传播仍然具有良好的局部性易于并行。全局作用Global Interaction得到所有原子的隐变量{q_i}后我们将其视为一组分布在空间中的“源”。然后我们采用一个固定的、非学习的Ewald求和公式论文中用的是最适合1/r势的形式来计算这些“源”之间的长程相互作用能E_lr。这个过程是全局的q_i的微小变化会通过Ewald求和影响到整个体系的能量。为什么这么做是有效的物理类比你可以把q_i理解为一种“环境依赖的有效电荷”。但它不一定是电荷它只是一个让模型能够通过长程相互作用项来传递信息的媒介。由于Ewald求和公式是固定的、符合物理规律的1/r衰减模型只需要学会如何根据局部化学环境来调整q_i就能自动产生正确的长程力。灵活性q_i不受总电荷中性约束因为Ewald求和中省略了k0项总q非零也不会导致能量发散也不需要其数值大小对应真实的电荷量。这给了模型更大的自由度去拟合数据。简约性LES可以看作是最简化的“单层”Ewald消息传递。它没有可学习的频率滤波器消息的维度就是q_i的维度通常很小比如4维读出的方式就是固定的Ewald求和。这使得模型非常轻量物理图像清晰计算开销可控。3. 算法实现深度剖析理解了思想我们来看具体怎么实现。我会结合论文中的公式和代码实现的逻辑把每一步掰开揉碎讲清楚。3.1 总能量分解首先模型的总能量被明确分解为短程和长程两部分E_total E_sr E_lr这个分解是建模的基石。E_sr由你选用的基础MLIP架构如CACE, NequIP, MACE等负责它捕捉所有局部的、化学键合的、短程的相互作用。E_lr则由LES模块负责专门处理长程部分。3.2 短程能量E_sr这部分就是标准操作。对于原子i根据其截断半径r_cut内的邻居原子计算出一组旋转不变的特征描述符B_i。这个B_i是后续一切的基础。E_sr Σ_i E_θ(B_i)其中E_θ是一个参数为θ的神经网络通常是MLP将B_i映射为该原子的短程能量贡献。所有原子的贡献加起来就是总短程能。3.3 长程能量E_lrLES的核心三步曲这是LES的精华所在我们一步步来看。第一步从局部特征到隐变量q_i Q_φ(B_i)这里Q_φ是另一个小的MLP参数为φ。它的输入和E_θ的输入是同一个B_i。这意味着在计算完短程描述符后我们几乎可以“免费”地得到q_i额外开销很小。q_i的维度是一个超参数论文中在多个体系里用了4维取得了不错的效果。你可以把它理解成原子局部环境的一个“压缩编码”。实操心得一Q_φ网络的设计论文中没有明确给出Q_φ的结构但根据经验它通常比主能量网络E_θ要浅、要窄。例如E_θ可能是一个3层256维的MLP而Q_φ可能只是一个2层64维的MLP。这是因为q_i不需要承载非常复杂的非线性信息它的主要任务是为后续的线性Ewald求和提供一个有效的“源强度”。过大的Q_φ网络不仅增加计算量还可能引入过拟合风险。在复现时可以从一个简单的线性层或2层MLP开始尝试。第二步计算隐变量的结构因子得到了所有原子的q_i和它们的坐标r_i后我们计算这个“隐变量场”的结构因子S(k)S(k) Σ_i q_i * exp(i * k · r_i)这里的k是倒易空间矢量k (2πn_x/L_x, 2πn_y/L_y, 2πn_z/L_z)其中n_x, n_y, n_z是整数L_x, L_y, L_z是模拟盒子的边长。求和遍及所有原子i。第三步Ewald求和计算长程能最后利用Ewald求和公式计算长程能量E_lr (1/V) * Σ_{0|k|k_c} [ exp(-σ²k²/2) / k² ] * |S(k)|²V模拟盒子的体积。k_c倒易空间的截断波矢。它决定了我们在倒易空间求和时要考虑到多大的|k|。k_c越大计算越精确但也越耗时。通常取2π/3或π左右具体需要测试。σ展宽因子smearing factor。你可以把它理解为将点状的q_i展宽成一个高斯分布的标准差。它的引入是为了让Ewald求和更快地收敛。论文通过测试发现对于水体系σ 1.0 Å是一个不错的默认值见图7。这个值需要与实空间截断r_cut协调选择。求和排除k0项这对应着体系净“电荷”的贡献。在物理的Ewald求和中k0项需要特殊处理以满足电荷中性条件。但在LES中q_i不是物理电荷我们直接忽略这一项这简化了实现并且避免了因体系总q非零而导致的发散问题。如果q_i是多维的比如4维那么|S(k)|²应对q_i的每一个维度分别计算结构因子并取模平方然后将所有维度的贡献相加得到最终的长程能。3.4 力Forces的计算机器学习势的实用性在于它能同时提供能量和原子受力。力的计算是自动微分Autograd的天然应用场景。在PyTorch这样的框架中我们只需要定义好能量E_total关于原子坐标r_i的计算图然后调用torch.autograd.grad就能得到负梯度即原子所受的力F_i -∂E_total/∂r_i。这里有一个至关重要的细节长程力F_lr的计算依赖于所有原子的坐标。在实现Ewald求和时我们必须确保S(k)和E_lr的计算是可微的。幸运的是exp(i * k · r_i)和|S(k)|²的梯度都很容易推导。在PyTorch实现中只要我们的代码是用Tensor操作构成的Autograd引擎就会自动处理这一切。实操心得二确保Ewald求和的可微性在编写Ewald求和模块时避免使用任何会破坏计算图的NumPy操作或原地in-place修改。所有中间步骤都用PyTorch Tensor完成。例如生成k矢量网格时使用torch.meshgrid和torch.norm。计算exp(-σ²k²/2) / k²时注意处理k0的除零问题通常是在生成k网格时就直接排除(0,0,0)点。3.5 与现有MLIP框架的集成LES的美妙之处在于它的模块化。它不依赖于特定的短程描述符B_i。因此它可以作为一个“插件”集成到几乎所有主流MLIP中基于局部描述符的模型如HDNNPAtom-Centered Symmetry Functions、SOAP-GAP、ACE、MTP等。这些模型的B_i是明确的原子环境描述符直接将其输入Q_φ网络即可。基于消息传递的图神经网络模型如NequIP、MACE、CHGNet等。这些模型通过多层消息传递最终也会为每个原子节点生成一个隐层表示latent node feature。我们可以将这个最终的原子节点特征作为B_i输入给Q_φ。论文中的CACE-LR (T1) 就采用了这种方式。集成步骤通常如下在你的基础MLIP模型中前向传播计算得到每个原子的短程能量贡献E_sr_i和原子特征B_i。将B_i输入一个独立的LES模块。LES模块内部q_i MLP_q(B_i)- 计算S(k)- 计算E_lr。总能量E_total sum(E_sr_i) E_lr。通过自动微分计算力。4. 关键参数选择与调优经验LES引入了几个新的超参数它们的设置对模型性能和计算成本有直接影响。4.1 隐变量维度dim_q这是q_i的维度。论文在多个测试体系二聚体、熔融盐、水中均使用了dim_q 4并取得了良好效果。物理意义你可以认为模型用4个独立的“通道”来编码长程相互作用的信息。更多的维度可能带来更强的表达能力但也会增加Q_φ网络的参数和Ewald求和的计算量因为要对每个维度分别计算S(k)。调优建议从dim_q 1或2开始尝试。如果模型在验证集上的长程相关性质如介电响应、界面偶极序拟合不佳可以逐步增加到4。对于非常复杂的体系可以尝试8但需要警惕过拟合。通常dim_q4是一个安全且有效的起点。4.2 展宽因子σσ控制了倒易空间求和的收敛速度。σ越大高斯展宽越明显exp(-σ²k²/2)衰减越快意味着我们可以在更小的k_c下截断求和计算更快。但同时σ越大意味着我们在实空间用高斯分布代替点“电荷”的近似越粗糙可能会损失一些细节。经验范围论文指出σ大致在0.5 Å到2.0 Å之间是合理的选择。它应该远小于实空间截断r_cut。论文测试结果在体相水数据集上测试了σ从0.5 Å到4.0 Å的影响图7。结果显示σ 1.0 Å时能量和力的误差最小但不同σ值之间的差异并不巨大。这说明LES方法对σ的选择有一定的鲁棒性。调优建议将σ固定为1.0 Å作为默认值。如果你的体系原子类型、键长尺度与典型分子体系如有机分子、水、盐差异不大这个值基本适用。如果追求极致性能可以在你的验证集上做一个快速的网格搜索例如尝试[0.7, 1.0, 1.3, 1.6]。4.3 倒易空间截断k_ck_c决定了在倒易空间求和时需要包含多少k点。k_c越大计算越精确也越耗时。它与σ是耦合的σ越大所需的k_c可以越小。计算公式k矢量的模为|k| 2π * sqrt((n_x/L_x)² (n_y/L_y)² (n_z/L_z)²)。我们只对|k| k_c的k点进行求和。论文取值在二聚体和熔融盐例子中用了k_c 2π/3 ≈ 2.09 Å⁻¹在体相水中用了k_c π ≈ 3.14 Å⁻¹。调优建议一个实用的方法是根据盒子大小和精度要求来确定最大的n_max。例如设定k_c使得n_x, n_y, n_z的最大值n_max满足2π * n_max / min(L_x, L_y, L_z) k_c。通常对于边长约20-30 Å的盒子取n_max 10左右已经足够。可以通过观察E_lr随n_max增加的变化来评估收敛性当能量变化小于某个阈值如1e-5 meV/atom时即可。4.4 训练损失函数训练一个MLIP损失函数的设计是关键。对于包含LES的模型我们需要同时拟合能量和力。Loss λ_E * MSE(E_pred, E_DFT) λ_F * MSE(F_pred, F_DFT)λ_E和λ_F是权重系数。力的数量远多于能量3N vs 1所以通常λ_E需要设得更大一些以平衡两者的量级和重要性。常见的比例在λ_E : λ_F 1 : 100到1 : 1000之间。特别注意对于二聚体、界面等体系绝对能量的数值可能很大且没有明确的物理意义依赖于参考态。更常见的做法是拟合相对能量比如二聚体的结合能或者将整个训练集的总能量减去一个基准值。在计算损失时使用能量差而不是绝对能量可以使训练更稳定。论文中提到对于二聚体数据集必须同时拟合能量和力仅拟合少数能量值可能导致力预测很差。5. 实战案例与性能分析纸上得来终觉浅我们来看看LES在具体问题上的表现。论文测试了四个经典体系结果很有说服力。5.1 案例一带电/极性分子二聚体任务预测两个分子在不同距离下的结合能曲线。挑战当分子间距超过短程模型的截断半径或消息传递的有效感受野时短程模型无法感知到另一个分子的存在预测的结合能会趋于常数曲线变平力会趋于零这与物理事实严重不符。LES表现如图1所示无论是带电-带电CC、带电-极性CP还是极性-极性PP二聚体长程LR模型的预测结果红色曲线和点都紧密贴合DFT基准数据黑色。而短程SR模型蓝色在测试集较大间距上完全失效。力的预测误差RMSE也显示LR模型比SR模型小一个数量级。关键洞察这个案例清晰地证明了对于非键合的长程相互作用消息传递即使T1感受野达到10 Å也无法替代真正的长程物理模型。两个分子在图上不连通消息就无法传递。5.2 案例二熔融NaCl任务预测熔融态氯化钠的能量和力。挑战熔融盐是强静电相互作用体系长程库仑力占主导。LES表现表I对比了多种方法。纯短程模型SOAP, MACE T0误差最大。所有包含长程作用的模型LODE, Density-LR, CACE-LR误差都显著降低。其中CACE-LR无论T0还是T1取得了最好的精度RMSPE ~1.4-1.9%甚至优于使用了等变消息传递的MACE模型。这强烈体现了LES方法在强静电体系中的有效性。5.3 案例三体相水任务学习体相水的势能面并评估其预测结构径向分布函数RDF和介电性质偶极密度关联的能力。结果分析学习曲线图2增加LR组件在所有训练数据规模下都稳定降低了能量和力的误差。对于没有消息传递的模型T0提升尤为显著。对于有消息传递的模型T1LR组件依然能带来进一步的精度提升说明消息传递和LES捕捉的是不同层面的信息可以互补。结构预测图3所有模型SR/LR, T0/T1预测的O-O径向分布函数都与实验X射线衍射结果高度一致。这说明水的局部结构主要受短程相互作用氢键、范德华排斥支配短程模型足以胜任。这是一个很重要的结论不是所有性质都需要长程模型。介电响应图4这是体现长程模型价值的核心。计算了偶极密度关联函数m_z(k) m_z(k)。可以看到所有短程模型SR在波矢k趋近于0时关联函数都出现了非物理的发散。T1的SR模型比T0的发散点推迟到了更小的k对应更长的实空间距离但发散依然存在。只有长程模型LR给出了在k→0时趋于有限值的正确物理行为这对于计算水的介电常数至关重要。5.4 案例四水-气界面任务预测气-液界面的密度分布和水分子的取向序。挑战界面处存在偶极层和屏蔽效应需要长程静电相互作用来正确描述。结果分析图6密度剖面所有模型预测的密度剖面都与DFT结果吻合很好。再次说明局域结构性质对长程力不敏感。取向序剖面这里出现了显著差异。计算了水分子偶极矩与界面法向z轴夹角的余弦平均值cos(θ)。T0 SR模型无法正确描述屏蔽效应导致界面处的偶极序穿透到了体相内部体相的cos(θ)不为0这是非物理的。T1 SR模型对于薄水层~20 Å消息传递部分缓解了问题但对于厚水层~40 Å它甚至引入了新的artifact——体相中出现了反向的偶极序。LR模型T0和T1无论是薄层还是厚层都能准确地预测出界面处有偶极序、体相中平均偶极为零的正确物理图像并且不同随机种子训练出的模型之间方差更小更稳定。5.5 计算开销评估大家最关心的问题之一加了LES计算会慢多少 论文图8给出了在单个NVIDIA L40S GPU上对不同规模水体系进行分子动力学模拟时每步所需的时间。短程模型SR可以轻松模拟约3万个原子。长程模型LR由于Ewald求和需要计算所有k点与所有原子的相互作用内存和计算开销更大单GPU能处理的体系规模降至约1万个原子。速度对比LR模型的运行速度大约是SR模型的一半。这个开销是可以接受的考虑到它带来了对长程物理性质的正确描述能力。论文也提到通过优化Ewald求和的实现例如采用PME算法和降低k_c还有进一步加速的空间。6. 常见问题、调试技巧与未来扩展在实际复现和应用LES的过程中你可能会遇到以下问题。这里我总结了一些排查思路和技巧。6.1 训练不收敛或误差很大检查损失函数平衡这是最常见的问题。如果λ_E太小模型可能只专注于拟合力而忽略了能量的整体趋势。尝试增大λ_E例如从λ_F1, λ_E0.01调整为λ_F1, λ_E0.1或1。监控训练过程中能量和力损失的单独变化。检查q_i的数值范围在训练初期打印q_i的均值和标准差。如果它的值非常大比如 100或非常小比如 1e-6可能是Q_φ网络初始化或学习率有问题。可以考虑对B_i输入进行标准化或者在Q_φ最后一层使用tanh等激活函数将输出限制在合理范围如[-1,1]。降低学习率引入LR组件后优化问题可能变得更复杂。尝试将初始学习率降低为原来的1/5或1/10并使用学习率调度器如CosineAnnealingLR。验证Ewald求和实现用一个已知的简单体系测试你的Ewald模块。例如构建一个NaCl晶体手动给Na和Cl分配固定的q_i如1和-1关闭短程部分只开启LR模块。计算出的能量和力应该与用经典库仑定律考虑周期性边界条件计算的结果在误差范围内一致。这是验证Ewald求和及其梯度计算是否正确的最直接方法。6.2 长程力出现NaN或异常大值检查k0项是否被正确排除在计算k网格时务必确保(0,0,0)点没有被包含在求和列表中。一个常见的bug是在循环生成n_x, n_y, n_z时从0开始且没有跳过原点。检查σ和k_c如果σ设得太小如0.1 Å而k_c又不够大会导致Ewald求和收敛很慢截断误差大。确保σ在合理范围0.5-2.0 Å并测试E_lr随k_c或n_max的收敛性。梯度爆炸如果q_i的梯度变得异常大可能会在反向传播时导致Ewald求和部分的梯度爆炸。可以考虑对q_i施加轻微的L2正则化或者使用梯度裁剪gradient clipping。6.3 如何选择是否使用LES不是所有体系都需要LES。遵循以下决策流程可以节省计算资源你的体系是否明确涉及长程相互作用是带电体系、离子溶液、极性流体如水、界面体系、具有强偶极矩的分子强烈建议使用LES或其他长程方法。否共价晶体如硅、石墨烯金属非极性有机分子晶体短程模型可能已足够。可以先训练一个纯短程模型评估其在目标性质上的表现。你关心的性质是否对长程力敏感敏感性质介电常数、红外光谱、界面张力、离子电导率、长程有序结构如铁电序。不敏感性质晶格常数、弹性常数、声子谱在Γ点除外、结合能对于紧密结合的分子/晶体、短程结构如RDF的第一第二壳层。进行快速验证用你的数据集分别训练一个SR模型和一个LR模型。在验证集上比较总能量和力的RMSE是否有显著差异对于二聚体体系绘制结合能曲线看SR模型在长距离是否变平。对于体相体系可以计算偶极矩关联函数如果体系有偶极矩看小k区域的行为。6.4 LES方法的潜在扩展论文的讨论部分也提出了一些有趣的扩展方向值得我们思考处理其他衰减形式的势当前LES的Ewald求和形式是针对1/r库仑势优化的。对于1/r^6的色散力可以使用另一种Ewald求和公式论文中的公式5。一个更通用的框架是让模型同时学习多种衰减指数的长程势但这会增加复杂性和超参数。等变版本的LES目前的q_i是旋转不变的标量或标量向量。对于需要捕捉方向性长程相互作用如偶极-偶极相互作用的体系可以将q_i扩展为向量或张量形式。此时结构因子S(k)和能量公式也需要相应修改以处理向量/张量的点积或缩并。这将使模型能够自动学习原子的偶极矩、四极矩等。与LODE方法的理论联系LES是“局部描述符 - 全局能量”而LODE是“全局势场 - 局部描述符”。论文指出两者可能存在深层的数学联系但由于LES中Q_φ网络引入了非线性这种联系并不显然。探究两者的等价性或优劣是一个有价值的理论问题。计算优化当前的实现是朴素的O(N^3/2) Ewald求和。对于大规模体系可以集成成熟的PME或PPPM算法将复杂度降至O(N log N)。这对于将LES应用于生物大分子模拟至关重要。在我自己的尝试中将LES模块集成到一个基于PyTorch的GNN势能模型中对于3000个原子的水盒子单点计算时间从纯短程的约50毫秒增加到了约90毫秒开销确实在一倍左右与论文报告相符。训练过程稳定最大的收获是在预测界面体系时偶极序的预测不再需要复杂的后处理或经验校正模型自己就能给出物理上合理的结果。这种“开箱即用”的物理一致性正是我们在开发可靠模拟工具时所追求的。LES方法以其简洁、通用和高效的特点为机器学习势能函数处理长程相互作用提供了一个非常有力的新工具。它不像有些方法那样需要引入额外的物理约束或复杂的网络结构而是通过一个巧妙的隐变量和经典的Ewald求和优雅地解决了问题。我相信随着代码的优化和社区的广泛应用它很快会成为许多分子模拟工作者工具箱中的标配。
