FreeCG：释放Clebsch-Gordan变换在机器学习力场中的设计空间

机器学习力场（MLFFs）在化学、物理、材料科学等多个领域具有重要重要性。Clebsch-Gordan变换（CG变换）有效地编码了多体相互作用，因此是许多MLFF模型的重要构件。然而，MLFFs的置换等变性要求限制了CG变换的设计空间，即针对每个相邻边都必须进行密集CG变换，且对所有边的操作方式必须相同。这种约束导致模型的表达性下降，同时增加了计算负担。为克服这一挑战，我们首先在从实际边信息生成的置换不变抽象边上实现CG变换层。我们展示了这种方法允许在不损害关键对称性的前提下，对该层进行完全自由的设计。在此自由的设计空间上进一步提出了带稀疏路径、抽象边洗牌和注意力增强器的群CG变换，以形成强大且高效的CG变换层。我们的方法，称为FreeCG，在MD17、rMD17、MD22上的力预测中实现了最先进（SOTA）结果，并在QM9数据集上用于性质预测时实现了多个改进，最大提升超过20%。广泛的实际应用展示了其高实用性。FreeCG引入了在未来几何神经网络设计中进行高效且富有表达力的CG变换的新范式。为证明这一点，最近的SOTA模型QuinNet也在我们的范式下得到提升。代码将公开可用。