HIP：无需求导的 Hessian 原子间势
摘要
Nature Computational Science 在线发表 Andreas Burger 等人的工作，提出机器学习原子间势的扩展方法 HIP，可直接预测分子 Hessian。作者称在过渡态搜索、几何优化和振动分析中，其精度和速度优于通过自动微分得到的 Hessian。论文发表于 2026 年 10 月 13 日，DOI 为 10.1038/s43588-026-01066-x。
摘要由模型根据原文撰写，以原文为准。
正文 · 原文
Nature Computational Science, Published online: 13 October 2026; doi:10.1038/s43588-026-01066-x
The authors introduce an extension of machine learning interatomic potentials that predicts molecular Hessians directly, improving accuracy and speed compared in transition-state searches, geometry optimization and vibrational analysis relative to Hessians from automatic differentiation.
注意转载授权 · 阅读原文
来源：Nature Computational Science · nature.com
引用原文
Andreas Burger. HIP: Hessian Interatomic Potentials without derivatives[EB/OL]. (2026-10-13)[访问日期]. https://www.nature.com/articles/s43588-026-01066-x.