# Uczone potencjały międzyatomowe EN: **Machine-learned interatomic potentials** · id `mlip` · aliases: MLIP, ML force fields, neural network potentials, uczone pola siłowe, universal interatomic potentials Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [AI w nauce](https://aiatlasgraph.com/t/aiscience.md) › [Odkrywanie materiałów](https://aiatlasgraph.com/t/materials.md) › Uczone potencjały międzyatomowe ## Description - PL: Regresja energii i sił atomowych z lokalnych otoczeń atomów, uczona na danych DFT; zastępuje klasyczne pola siłowe w dynamice molekularnej. - EN: Regressing atomic energies and forces from local atomic environments, trained on DFT data; replaces classical force fields in molecular dynamics. ## In one sentence - PL: Modele, które szybko liczą siły między atomami, żeby dało się symulować ruch cząsteczek i materiałów. - EN: Models that quickly compute the forces between atoms so the motion of molecules and materials can be simulated. ## Problem it solves - PL: Dokładne obliczenia kwantowe sił między atomami są tak wolne, że symulacja trwa miesiące albo musi być bardzo mała. - EN: Accurate quantum calculations of interatomic forces are so slow that a simulation takes months or has to stay tiny. ## What it does - PL: Uczy się od dokładnego, ale powolnego kalkulatora i potem odpowiada podobnie, tylko wielokrotnie szybciej. - EN: It learns from an accurate but slow calculator and then answers in much the same way, only many times faster. ## Everyday example - PL: Naukowiec symuluje, jak jony przechodzą przez nowy materiał do baterii, w skali i czasie niedostępnych dla obliczeń kwantowych. - EN: A scientist simulates ions moving through a new battery material at a scale and duration out of reach for quantum calculations. ## This concerns you if you… - PL: prowadzisz symulacje dynamiki molekularnej - PL: potrzebujesz dokładności kwantowej w większej skali - EN: run molecular dynamics simulations - EN: need quantum-level accuracy at a larger scale ## Keywords MACE · NequIP · Allegro · CHGNet · MACE-MP-0 · DeePMD · ASE · LAMMPS ## How it works - PL: Energia układu jest sumą wkładów atomów zależnych od sąsiadów w promieniu odcięcia, a siły to ujemny gradient energii względem położeń. Równoważne GNN (NequIP, MACE) osiągają wysoką dokładność przy małych danych; modele uniwersalne trenowane na całych bazach materiałów działają od razu dla wielu pierwiastków. - EN: A system's energy is a sum of atomic contributions depending on neighbours within a cutoff radius, and forces are the negative gradient of energy with respect to positions. Equivariant GNNs (NequIP, MACE) reach high accuracy with little data; universal models trained on whole materials databases work out of the box across many elements. ## Limits - PL: Wiarygodne tylko w obszarze pokrytym danymi treningowymi; poza nim symulacja może się rozsypać. Promień odcięcia pomija oddziaływania dalekiego zasięgu, a modele są wolniejsze od klasycznych pól siłowych. - EN: Reliable only in the region covered by training data; outside it a simulation can fall apart. The cutoff ignores long-range interactions, and models are slower than classical force fields. ## Key terms - PL: **pole siłowe**: Przepis na siły między atomami używany w symulacjach. - PL: **dynamika molekularna**: Symulacja ruchu atomów krok po kroku na podstawie działających sił. - PL: **potencjał uniwersalny**: Jeden model obejmujący większość układu okresowego bez osobnego treningu. - EN: **force field**: A recipe for interatomic forces used in simulations. - EN: **molecular dynamics**: Simulating atomic motion step by step from the acting forces. - EN: **universal potential**: One model covering most of the periodic table without separate training. ## Know first - [Rachunek różniczkowy i gradienty (Calculus and gradients)](https://aiatlasgraph.com/t/calculus.md) - [Propagacja wsteczna (backpropagation) (Backpropagation)](https://aiatlasgraph.com/t/backprop.md) ## Related topics Untyped, symmetric "see also" links. - [Generowanie nowych kryształów (Generative crystal and materials design)](https://aiatlasgraph.com/t/crystalgen.md) - [Sieci geometryczne dla atomów w 3D (równoważność obrotów) (Equivariant graph networks for 3D atomic systems)](https://aiatlasgraph.com/t/equivariantgnn.md) ## Sources - [Scaling deep learning for materials discovery (GNoME)]() `gnome-2023` · by Amil Merchant, Simon Batzner, Samuel S. Schoenholz i in. (Google DeepMind) - [MACE: Higher Order Equivariant Message Passing Neural Networks for Fast and Accurate Force Fields]() `mace-2022` · by Ilyes Batatia, Dávid Péter Kovács, Gregor N. C. Simm, Christoph Ortner, Gábor Csányi --- AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/mlip · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30