Cormorant：协变分子神经网络
计算物理
2019-11-27 v3 机器学习
机器学习
摘要
我们提出Cormorant，一种用于学习复杂多体物理系统行为与性质的旋转协变神经网络架构。我们将这些网络应用于分子系统，目标有二：学习用于分子动力学模拟的原子势能面，以及学习由密度泛函理论计算的分子基态性质。我们网络的一些关键特征是：(a) 每个神经元显式对应于一个原子子集；(b) 每个神经元的激活对旋转协变，确保整体网络完全旋转不变。此外，我们网络中的非线性基于张量积与Clebsch-Gordan分解，使网络完全在傅里叶空间中运行。Cormorant在从MD-17数据集中的构象几何学习分子势能面方面显著优于竞争算法，并且在GDB-9数据集上学习分子的几何、能量、电子和热力学性质方面与其他方法具有竞争力。
引用
@article{arxiv.1906.04015,
title = {Cormorant: Covariant Molecular Neural Networks},
author = {Brandon Anderson and Truong-Son Hy and Risi Kondor},
journal= {arXiv preprint arXiv:1906.04015},
year = {2019}
}