分子动力学仿真是计算材料科学和化学的重要工具，在过去的十年中，它通过机器学习进行了革命。在过去的几年中，机器学习跨性别潜力的快速进步已经产生了许多新的体系结构。在其中特别值得注意的是原子聚类的扩展，它统一了围绕原子密度的描述符的许多早期思想和神经模式间影响（NEQuip），这是一个具有信息的神经网络，具有等效性特征，当时表现出了最先进的精度。在这里，我们构建了一个统一这些模型的数学框架：原子聚类的扩展是扩展的，并作为多层体系结构的一层重新铸造，而Nequip的线性化版本则被理解为对更大的多项式模型的特定稀疏。我们的框架还提供了一种实用的工具，用于系统地在此统一的设计空间中探索不同的选择。通过一系列实验进行了一组Nequip的消融研究，该实验远离域内和外部的精度和平滑的外推离训练数据很遥远，阐明了一些设计选择对于实现高精度至关重要。NEQuip的简化版本，我们称为Botnet（用于身体订购的张量网络），具有可解释的体系结构，并在基准数据集上保持其准确性。