Fiziksel sistemlerin gerçekçi modellenmesi, farklı uzunluk ve zaman ölçeklerindeki karmaşık etkileşimler nedeniyle makine öğrenmesi için büyük bir meydan okuma oluşturuyordu. Araştırmacılar bu problemi çözmek için MuSE (Multiscale Structural Ensemble) adlı yenilikçi bir yaklaşım geliştirdi.
Geleneksel makine öğrenmesi kuvvet alanları (MLFF) kuantum seviyesinde doğruluk sunsa da, yaygın olarak kullanılan mesaj geçişi katmanları uzun menzilli çok-cisim etkilerini yakalayamıyordu. MuSE, bu sınırlamayı Yumuşak Kaba-Taneli Gruplandırma yöntemiyle aşıyor. Bu teknik, atomları kesirli atamalarla kaba düğümlere yumuşak bir şekilde dağıtarak farklı ölçeklerde çalışabilen kaba temsiller oluşturuyor.
Sistemin en önemli özelliklerinden biri mimari bağımsızlığı. MuSE, SO3krates, MACE ve PaiNN gibi farklı MLFF modülleriyle uyumlu çalışarak hem moleküller hem de malzemeler için kullanılabiliyor. Bu esneklik, araştırmacılara mevcut araçlarını geliştirme imkanı sunuyor.
Araştırma ekibi, MuSE'nin gücünü Hessian tabanlı kıyaslamalar, biyomoleküllerin katlanma yörüngeleri ve molekül-grafen nanoyapıların enerji profilleri gibi çeşitli uygulamalarla kanıtladı. Bu sonuçlar, sistemin farklı ölçeklerdeki fiziksel olayları başarıyla modelleyebildiğini gösteriyor.