A2I Transformer:具有最小特征化、置换等变的注意力网络用于成对与多体相互作用
计算物理
2021-10-28 v1 无序系统与神经网络
机器学习
摘要
神经网络势(NNP)与分子模拟的结合,对于高效且透彻地理解分子体系的势能面(PES)具有重要作用。然而,由于繁重的特征化,把握输入特征与其对 NNP 局部贡献之间的相互作用正变得愈发困难。本工作中,我们提出一种端到端模型,直接从粒子坐标预测逐原子能量,避免了网络输入的专家引导特征化。我们以自注意力作为主要工具,模型在置换操作下本质等变,从而实现总势能的不变性。我们在分子模拟的若干挑战上测试了模型,包括周期性边界条件(PBC)、-体相互作用与二元组分。模型在所有测试体系中均给出稳定预测,误差显著小于分子动力学模拟所得的势能涨落。因此,我们的工作提供了一个最小基线模型,可编码凝聚相体系中的复杂相互作用,以促进物理化学体系的数据驱动分析。
引用
@article{arxiv.2110.14374,
title = {A2I Transformer: Permutation-equivariant attention network for pairwise and many-body interactions with minimal featurization},
author = {Ji Woong Yu and Min Young Ha and Bumjoon Seo and Won Bo Lee},
journal= {arXiv preprint arXiv:2110.14374},
year = {2021}
}