从肽到纳米结构:一种用于快速稳定机器学习力场的欧几里得 Transformer
化学物理
2024-02-19 v2 机器学习
摘要
近年来,基于第一性原理参考计算的机器学习力场(MLFFs)取得了巨大进展。尽管实现了低测试误差,MLFFs 在分子动力学(MD)模拟中的可靠性正面临日益严格的审视,原因在于对长时间模拟尺度上稳定性的担忧。我们的发现表明,对累积误差的鲁棒性与 MLFFs 中等变表示的使用存在潜在联系,但这些表示相关的计算成本会在实践中限制该优势。为此,我们提出一种称为 SO3krates 的 transformer 架构,它将稀疏等变表示(欧几里得变量)与分离不变与等变信息的自注意力机制相结合,消除了对昂贵张量积的需求。SO3krates 实现了准确性、稳定性与速度的独特组合,能够在扩展的时间与体系尺度上对物质的量子性质进行洞见性分析。为展示此能力,我们为具有数百个原子的柔性肽与超分子结构生成了稳定的 MD 轨迹。此外,我们通过探索数千个极小值,研究中型链状分子(例如小肽)的势能面拓扑。值得注意的是,SO3krates 展现出在稳定性与训练数据之外新最小能量构象涌现这两个矛盾需求间取得平衡的能力,这对生物化学领域的真实探索任务至关重要。
引用
@article{arxiv.2309.15126,
title = {From Peptides to Nanostructures: A Euclidean Transformer for Fast and Stable Machine Learned Force Fields},
author = {J. Thorben Frank and Oliver T. Unke and Klaus-Robert Müller and Stefan Chmiela},
journal= {arXiv preprint arXiv:2309.15126},
year = {2024}
}