Novel geometric representations and optimized frameworks for deep learning models of interatomic potentials

Aquesta tesi explora avenços en potencials de xarxes neuronals per a simulacions atomístiques, abordant el doble repte de la precisió i l'eficiència. Mitjançant noves representacions geomètriques i marcs optimitzats, té com a objectiu enllaçar la química computacional tradicional amb enfocaments moderns basats en IA. Les contribucions principals inclouen el desenvolupament de TensorNet, un model equivariant que explota representacions de tensors cartesians per a predir amb precisió energies i forces moleculars. A més, aquest treball estén TensorNet per a incorporar els estats de càrrega i espín, ampliant així la seva aplicabilitat. Les millores en el marc TorchMD-Net, incloent el suport per a CUDA graphs i les optimitzacions de PyTorch 2.0, augmenten significativament el rendiment computacional i la usabilitat per a la dinàmica molecular. Combinant arquitectures de models innovadores amb una infraestructura de programari eficient, aquesta investigació avança el camp dels potencials interatòmics d'aprenentatge automàtic.