ForceNet：一种用于大规模量子计算的计算图神经网络
机器学习
2021-03-03 v1
摘要
随着海量原子模拟数据的可用，开发快速而准确的机器学习模型以近似昂贵的基于物理的计算存在巨大机遇。待估计的关键量是原子力，当前最先进的图神经网络（GNNs）显式强制诸如旋转协变等基本物理约束。然而，为严格满足物理约束，现有模型不得不在计算效率与模型表达能力之间权衡。此处我们探索一种替代方法。通过不施加显式物理约束，我们可灵活设计具表达力的模型，同时保持其计算效率。物理约束通过基于物理的数据增强训练模型而隐式施加。为评估该方法，我们精心设计了可扩展且具表达力的 GNN 模型 ForceNet，并将其应用于 OC20（Chanussot 等，2020）——一个前所未有的大规模量子物理计算数据集。我们提出的 ForceNet 能够比最先进（state-of-the-art）的基于物理的 GNN 更准确地预测原子力，同时在训练与推理上更快。总体而言，我们这些有前景且反直觉的结果为未来研究开辟了令人兴奋的途径。
引用
@article{arxiv.2103.01436,
title = {ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations},
author = {Weihua Hu and Muhammed Shuaibi and Abhishek Das and Siddharth Goyal and Anuroop Sriram and Jure Leskovec and Devi Parikh and C. Lawrence Zitnick},
journal= {arXiv preprint arXiv:2103.01436},
year = {2021}
}