Simuler la façon dont les atomes et les molécules se déplacent au fil du temps constitue un défi central en chimie computationnelle et en science des matériaux. Les approches classiques d'apprentissage automatique de la dynamique moléculaire (MD) codent les principes physiques fondamentaux directement dans leurs architectures de modèles, notamment la conservation de l'énergie et l'équivariance, l'exigence selon laquelle les forces prédites restent cohérentes quelle que soit la façon dont une molécule est orientée dans l'espace. Ces biais dits inductifs ont longtemps été considérés comme essentiels pour des modèles MD fiables et physiquement significatifs. Mais sont-ils vraiment indispensables ?
