一种用于更稳定和更准确推演的线性谱图神经网络模拟器

分子动力学（MD）模拟是科学与工程中的核心工具，它能够研究动力学行为以及微观结构与宏观功能之间的联系。然而，其高昂的计算成本激发了开发加速替代方案的广泛努力。一种有前景的方法是使用基于机器学习的模拟器，它允许比传统 MD 大得多的时间步长。在这些方法中，基于图神经网络（GNN）的方法被发现特别有吸引力，因为它们自然地编码了相互作用粒子系统的归纳偏置，然而当前的架构在准确性和稳定性方面仍然有限。特别是，标准的消息传递方案难以高效地传播长程信息。在此，我们研究谱 GNN 模拟器是否可以通过在全局本征模基中显式表示模拟系统来克服这些限制，从而更好地捕捉长程和集体行为。我们专注于无序弹性网络，这是复杂材料和生物结构（如蛋白质）的模型系统，并比较了空间、线性谱和非线性谱 GNN 架构。我们发现，虽然仅靠谱表示是不够的，但非线性谱模型显著优于其他替代方案。通过学习时间依赖的动力学和本征模的混合，这些模型更准确地捕捉了主导宏观行为的系统慢速全局模式。这导致了系统粒子位置误差的显著减少，并显著改善了全局物理性质的预测。