AI×化学：新模型直接预测分子 Hessian 矩阵，跳过昂贵求导，提速10-70倍
多伦多大学团队在《自然·计算科学》发表新方法 HIP，直接预测分子的完整 Hessian 矩阵，跳过昂贵的求导步骤。
直接预测：一次前向输出完整 Hessian 矩阵（3N×3N，二阶导数），不用自动微分、有限差分或耦合微扰求解。
又快又省：小分子上比基于求导的机器学习方法快 10-70 倍，峰值内存省 2-3 倍，预测误差大约减半。
物理写进架构：基于等变图神经网络 EquiformerV2，旋转对称性与矩阵对称性由构造保证，而不是靠训练数据硬学。
Hessian 是分子振动、反应路径计算的关键，算得越快，药物与材料筛选就能跑得越快。
> 原文链接：[点击查看原文](https://bioengineer.org/ai-model-predicts-molecular-curvature-directly-skipping-costly-derivatives/)，正文为摘要整理，仅供参考。
