基于混合等变-不变架构的材料基础模型
机器学习
2025-06-02 v2 材料科学
计算物理
摘要
机器学习原子间势可以预测材料的能量、力和应力，并支持广泛的下游发现任务。MLIPs中的一个关键设计选择涉及不变和等变架构之间的权衡。不变模型具有较高的计算效率，但性能可能较差，尤其是在预测高阶输出时。相比之下，等变模型可以捕捉高阶对称性，但计算成本高昂。在本研究中，我们提出了HIENet，这是一种混合等变-不变材料原子间势模型，它集成了不变和等变消息传递层，同时可证明地满足关键物理约束。HIENet实现了最先进的性能，并且与先前的模型相比在计算速度上有显著提升。在常见基准和下游材料发现任务上的实验结果证明了HIENet的有效性和高效性。
引用
@article{arxiv.2503.05771,
title = {A Materials Foundation Model via Hybrid Invariant-Equivariant Architectures},
author = {Keqiang Yan and Montgomery Bohde and Andrii Kryvenko and Ziyu Xiang and Kaiji Zhao and Siya Zhu and Saagar Kolachina and Doğuhan Sarıtürk and Jianwen Xie and Raymundo Arroyave and Xiaoning Qian and Xiaofeng Qian and Shuiwang Ji},
journal= {arXiv preprint arXiv:2503.05771},
year = {2025}
}
备注
Preprint