Les potentiels interatomiques basés sur l'apprentissage automatique sont largement utilisés dans les simulations atomistiques, mais ils peinent à capturer les corrélations électrostatiques à longue portée, omniprésentes dans les systèmes polaires et biomoléculaires. Nous présentons un potentiel interatomique d'apprentissage automatique informé par la physique qui intègre les interactions électrostatiques à longue portée via un cadre polarisable. Notre modèle combine deux réseaux neuronaux à passage de message équivariants : l'un pour les interactions à courte portée et l'autre pour les dipôles atomiques dépendants de l'environnement. Le modèle est entraîné non seulement sur les énergies et les forces, mais aussi sur les tenseurs de charge effective de Born, permettant des prédictions précises des propriétés induites par champ telles que les spectres d'absorption infrarouge et les clivages phononiques LO–TO. Nous validons la méthode sur des solides ioniques (NaCl), l'eau liquide et les pérovskites halogénées (MAPbI3), démontrant une modélisation améliorée des effets de polarisation à longue portée tout en maintenant une précision compétitive dans les prédictions d'énergie et de force. Nos résultats soulignent la nécessité d'électrostatiques à longue portée explicites pour capturer les phénomènes collectifs dans les matériaux isolants et polaires.
Li et al. (Fri,) ont étudié cette question.