순서가 있습니다. 포털 넷(연구방·지식센터·커뮤니티·아카데미)을 먼저 담고,
SSRA 는 맨 나중에 담아 주세요. SSRA 를 먼저 담으면 나머지가 그 안에 포함된 것으로
잡혀 따로 담기지 않습니다. 아이콘도 담을 차례대로 놓았습니다 — 왼쪽부터 차례로 누르시면 됩니다.
MACE-OFF: Short-Range Transferable Machine Learning Force Fields for Organic Molecules
Dávid Péter Kovács, J. Harry Moore, Nicholas J. Browning 외 · Journal of the American Chemical Society · 2025년 · 조회 29
왜 이 논문인가 — 선정 기준
오늘의 Editor's Pick · 전체 분야에서 그날 가장 주목할 논문 1편
2025-05 발표 · 피인용 235회 · FWCI 86.4 · 동년 인용 상위 1% · 원 분야 자연과학
피인용 235회와 FWCI 86.4라는 탁월한 지표로 동년 발표 논문 상위 1%에 포함돼 전체 분야 Editor’s Pick으로 선정되었습니다.
논문 요약
본 연구는 기존 경험적 포스필드가 갖는 정확도와 전이가능성의 한계를 극복하고자, 고수준 양자역학 계산 데이터를 기반으로 최신 머신러닝 기술을 적용한 MACE‑OFF 시리즈를 개발하였다. MACE‑OFF는 짧은 거리 상호작용만을 이용하면서도 가스·응축상 유기분자의 다양한 물성을 정확히 예측한다. 특히 보지 못한 분자에 대해 dihedral 토션 스캔을 높은 정확도로 수렴시키고, 분자 결정 및 액체의 양자 핵 효과까지 신뢰성 있게 기술한다.
후속 연구설계에 활용하기
MACE‑OFF 포스필드를 변수(다이헤드럴 토션 각도)와 측정척도(에너지·구조 정확도)로 활용해 새로운 유기분자 시뮬레이션 실험 설계에 적용할 수 있습니다.
핵심어
머신러닝 포스필드유기분자단거리 전이가능성양자역학 데이터
실존 확인
이 논문은 OpenAlex에서 후보로 수집한 뒤, Crossref에 등록된 DOI와 제목 일치를 확인해 노출합니다.
SSRA가 문헌연구에서 인용 논문의 실재 여부를 검증하는 원칙과 같습니다.