예측 헤시안 학습: ML 원자간 포텐셜의 곡률 학습
헤시안 행렬은 포텐셜 에너지 표면의 국부적 형상에 대한 풍부한 정보를 담고 있어, 이를 머신러닝 원자간 포텐셜(MLIP) 훈련에 활용하면 정확도와 견고성을 크게 향상시킬 수 있습니다. 그러나 헤시안 행렬을 명시적으로 구성하고 저장하는 데 드는 이차적인 계산 및 메모리 비용 때문에 실제 적용에 제약이 있었습니다. 본 연구는 이러한 문제를 해결하기 위해 헤시안-벡터 곱(HVP)만을 사용하여 곡률 정보를 통합하는 확장 가능한 2차 훈련 프레임워크인 예측 헤시안 학습(PHL)을 제안합니다. PHL은 명시적인 헤시안 구성 없이 확률적 탐침…