用于力场预测的高次多项式等变图网络逼近
机器学习
2024-11-08 v1 人工智能
摘要
近期等变深度模型在分子动力学模拟中准确预测原子势和力场方面展现出前景。利用球谐函数（SH）和张量积（TP），这些等变网络获得了增强的物理理解，如对称性和多体相互作用。除了编码物理洞察外，SH 和 TP 对于表示等变多项式函数也至关重要。在本工作中，我们分析了等变架构的等变多项式函数，并引入了一种新的等变网络 PACE。所提出的 PACE 利用边增强器和原子簇展开（ACE）技术来逼近更多具有增强次数的 等变多项式函数。在常用基准测试中实验表明，PACE 在预测原子能量和力场方面展现出最先进的性能，并在不同温度条件下的分子动力学（MD）中具有跨各种几何分布的鲁棒泛化能力。我们的代码作为 AIRS 库的一部分公开发布，地址为 https://github.com/divelab/AIRS/。
引用
@article{arxiv.2411.04219,
title = {Equivariant Graph Network Approximations of High-Degree Polynomials for Force Field Prediction},
author = {Zhao Xu and Haiyang Yu and Montgomery Bohde and Shuiwang Ji},
journal= {arXiv preprint arXiv:2411.04219},
year = {2024}
}