Kipton M. Barros

作者提出投影 Hessian 学习（PHL），用基于 Hutchinson 迹估计的 Hessian-向量积（HVP）随机投影替代显式 Hessian 构造来监督机器学习原子间势（MLIP）的二阶曲率，在 ωB97XD/6-31G(d) 生成的反应物、产物、过渡态、IRC 与简正模采样数据集上比较 E-F、E-F-HVP（one-column 与 Hutchinson）和 E-F-H 四种方案，发现按小批量随机重采样探针向量时两种 HVP 方法在能量、力、Hessian 精度上与完整 Hessian 训练统计上不可区分，同时每轮训练提速超过 24 倍；在每分子仅一个固定 HVP 的更现实情形下，Hutchinson 投影在远离平衡的几何上持续

作者提出投影 Hessian 学习（PHL），用基于 Hutchinson 迹估计的 Hessian-向量积（HVP）随机投影替代显式 Hessian 构造来监督机器学习原子间势（MLIP）的二阶曲率，在 ωB97XD/6-31G(d) 生成的反应物、产物、过渡态、IRC 与简正模采样数据集上比较 E-F、E-F-HVP（one-column 与 Hutchinson）和 E-F-H 四种方案，发现按小批量随机重采样探针向量时两种 HVP 方法在能量、力、Hessian 精度上与完整 Hessian 训练统计上不可区分，同时每轮训练提速超过 24 倍；在每分子仅一个固定 HVP 的更现实情形下，Hutchinson 投影在远离平衡的几何上持续