基于 Ewald 方法的分子图长程消息传递
机器学习
2023-06-07 v2 材料科学
化学物理
计算物理
摘要
近年来，从分子数据学习势能面的神经架构取得了快速进展。这一成功的关键驱动力是消息传递神经网络（MPNN）范式。其随系统规模的良好扩展性部分依赖于消息的空间距离限制。虽然这种对局部性的关注是一种有用的归纳偏置，但它也阻碍了静电和范德华力等长程相互作用的学习。为解决这一缺陷，我们提出 Ewald 消息传递：一种非局部的傅里叶空间方案，它通过频率而非距离上的截断来限制相互作用，并在理论上基于 Ewald 求和法。由于计算开销低且与架构细节无关，它可作为现有 MPNN 架构之上的增强模块。我们使用四个基线模型和包含两个不同周期性（OC20）与非周期性结构（OE62）的数据集测试该方法。我们观察到所有模型和数据集上能量平均绝对误差的稳健改进，在 OC20 上平均提升 10%，在 OE62 上平均提升 16%。我们的分析表明，这些改进对具有高空隙能量长程贡献的结构影响尤为显著。
引用
@article{arxiv.2303.04791,
title = {Ewald-based Long-Range Message Passing for Molecular Graphs},
author = {Arthur Kosmala and Johannes Gasteiger and Nicholas Gao and Stephan Günnemann},
journal= {arXiv preprint arXiv:2303.04791},
year = {2023}
}
备注
Published at the 40th International Conference on Machine Learning (ICML 2023)