Los campos de fuerza de aprendizaje automático han demostrado ser muy prometedores al permitir simulaciones de dinámica molecular más precisas que los campos de fuerza tradicionales generados manualmente. Los avances recientes se han logrado aprovechando el conocimiento previo del sistema físico, como las simetrías rotacionales, traslacionales y de reflexión. Este artículo propone otra información a priori crucial, previamente inexplorada: que las simulaciones de sistemas moleculares son inherentemente continuas y, por lo tanto, los estados continuos son altamente similares. Este estudio demuestra que esta información puede aprovecharse mediante la reestructuración del modelo base de equilibrio de vanguardia en un Modelo de Equilibrio Profundo (DEQ). Este enfoque reutiliza las características intermedias de la red neuronal de pasos de tiempo anteriores, lo que resulta en una precisión y una aceleración del 10-20% en comparación con los modelos base no DEQ en los conjuntos de datos MD17, MD22 y OC20 de 200k. Además, el entrenamiento es significativamente más eficiente en memoria, lo que permite el entrenamiento de modelos más expresivos en sistemas más grandes.
