Les champs de force issus de l'apprentissage automatique se sont révélés très prometteurs pour permettre des simulations de dynamique moléculaire plus précises que les champs de force traditionnels générés manuellement. Des avancées récentes ont été réalisées en exploitant les connaissances préalables du système physique, telles que les symétries de rotation, de translation et de réflexion. Cet article propose une autre information a priori cruciale, jusqu'alors inexplorée : les simulations de systèmes moléculaires sont intrinsèquement continues et, par conséquent, les états continus sont très similaires. Cette étude démontre que cette information peut être exploitée en restructurant le modèle de base d'équilibre de pointe en un modèle d'équilibre profond (DEQ). Cette approche réutilise les caractéristiques intermédiaires des réseaux neuronaux des pas de temps précédents, ce qui permet une précision et une accélération de 10 à 20 % par rapport aux modèles non basés sur le DEQ sur les jeux de données MD17, MD22 et OC20 200 000. De plus, l'apprentissage est nettement plus économe en mémoire, ce qui permet d'entraîner des modèles plus expressifs sur des systèmes plus grands.
