ИИ и химия: новая модель напрямую предсказывает матрицу Гессе молекул, минуя дорогостоящее дифференцирование, и работает в 10–70 раз быстрее

Команда Университета Торонто опубликовала в Nature Computational Science новый метод HIP, который напрямую предсказывает полную матрицу Гессе молекулы, минуя дорогостоящий этап дифференцирования. Прямое предсказание: за один прямой проход выдаётся полная матрица Гессе (3N×3N, вторые производные) — без автоматического дифференцирования, конечных разностей и решения связанных возмущённых уравнений. Быстрее и экономнее: на малых молекулах метод в 10–70 раз быстрее методов машинного обучения на основе дифференцирования, требует в 2–3 раза меньше пиковой памяти, а ошибка предсказания снижается примерно вдвое. Физика заложена в архитектуру: метод основан на эквивариантной графовой нейронной сети EquiformerV2; вращательная симметрия и симметрия матрицы обеспечиваются самой конструкцией, а не с трудом выучиваются из обучающих данных. Матрица Гессе — ключ к расчёту колебаний молекул и путей реакций; чем быстрее её считать, тем быстрее может идти скрининг лекарств и материалов. > Первоисточник: [читать оригинал](https://bioengineer.org/ai-model-predicts-molecular-curvature-directly-skipping-costly-derivatives/). Текст представляет собой краткое изложение и приведён только для справки.