从 HIP 出击：无需导数的 Hessian 原子间势
机器学习
2025-12-16 v2 化学物理
计算物理
摘要
计算化学中的基本任务，从过渡态搜索到振动分析，都依赖于分子 Hessian 矩阵，即势能的二阶导数。然而，Hessian 矩阵的计算成本高昂，且随系统规模的扩展性较差，量子力学方法和神经网络均存在此问题。在本工作中，我们证明了可以直接从深度学习模型预测 Hessian 矩阵，而无需依赖自动微分或有限差分。我们观察到，可以从图神经网络消息传递过程中计算的最高至 =2 阶的不可约表示（irrep）特征构造出 SE(3)-等变且对称的 Hessian 矩阵。这使得 HIP Hessian 矩阵在速度上快一到两个数量级，且精度更高、内存效率更优、更易训练，并实现了更有利的系统规模扩展性。我们在广泛的下游任务中验证了预测结果，证明了在过渡态搜索、加速几何优化、零点能校正和振动分析基准上始终保持卓越的性能。我们在 https://github.com/BurgerAndreas/hip 开源了 HIP 代码库和模型权重，以促进对 Hessian 矩阵直接预测的进一步发展。
引用
@article{arxiv.2509.21624,
title = {Shoot from the HIP: Hessian Interatomic Potentials without derivatives},
author = {Andreas Burger and Luca Thiede and Nikolaj Rønne and Varinia Bernales and Nandita Vijaykumar and Tejs Vegge and Arghya Bhowmik and Alan Aspuru-Guzik},
journal= {arXiv preprint arXiv:2509.21624},
year = {2025}
}
备注
https://github.com/BurgerAndreas/hip