在非平衡分子上去噪预训练以实现准确且可迁移的神经势

等变图神经网络（GNN）的近期进展使深度学习适用于开发快速代理模型，以替代昂贵的从头算量子力学（QM）方法进行分子势预测。然而，使用 GNN 构建准确且可迁移的势模型仍然具有挑战性，因为数据极大地受限于 QM 方法昂贵的计算成本和理论水平，特别是对于大型复杂分子系统。在本工作中，我们提出在非平衡分子构象上去噪预训练，以实现更准确且可迁移的 GNN 势预测。具体而言，采样的非平衡构象的原子坐标被随机噪声扰动，GNN 被预训练以对扰动的分子构象去噪从而恢复原始坐标。在多个基准上的严格实验表明，预训练显著提高了神经势的准确性。此外，我们表明所提出的预训练方法是模型无关的，因为它提升了不同不变与等变 GNN 的性能。值得注意的是，我们在小分子上预训练的模型展现出卓越的可迁移性，在针对不同元素、带电分子、生物分子和更大系统等多样分子系统微调时提升了性能。这些结果凸显了利用去噪预训练方法为复杂分子系统构建更具泛化能力的神经势的潜力。