分子和材料的势能表面的同时精确和计算有效的参数化是自然科学中的一个长期目标，虽然以原子为中心的消息传递神经网络（MPNNs）显示出显著的准确性，但其信息传播限制了可访问的长度尺度。然而，即使局部方法可以扩展到大型模拟，但精度较差。鉴于此，来自哈佛大学的Boris Kozinsky等人引入了Allegro，一种严格的局部等变深度神经网络原子间势结构，同时表现出优异的准确性和可扩展性。

文章要点：

1) 该研究引入的Allegro使用学习到的等变表示的迭代张量积表示多体势，而无需传递以原子为中心的信息，Allegro在QM9和revMD17上对最先进的方法进行了改进；

2) 此外，单个张量积层具有优于QM9上现有的深度MPNN和变压器，并且Allegro对分布外数据表现出显著的泛化，使用Allegro的分子模拟恢复了非晶电解质的结构和动力学性质，与从头算模拟相一致。

参考资料：

Musaelian, A., Batzner, S., Johansson, A. et al. Learning local equivariant representations for large-scale atomistic dynamics. Nat Commun 14, 579 (2023).

DOI: 10.1038/s41467-023-36329-y

https://doi.org/10.1038/s41467-023-36329-y