用于等变消息传递的高阶不可约笛卡尔张量

快速准确的原子模拟能力对于推动化学科学发展至关重要。通过从高质量数据中学习，机器学习原子势能在计算成本远低于ab initio和first-principles方法的同时，实现了与之相当的准确性。机器学习原子势能的成功归功于整合诸如对原子系统上的群作用等变性偏置，例如对旋转和反射的等变性。特别是，随着等变消息传递 (equivariant message passing) 的出现，领域取得了显著进展。大多数模型使用球面张量表示原子系统，张量积需要复杂的数值系数且计算负担较大。笛卡尔张量提供了有前景的替代方案，但现有方法缺乏灵活的消息传递机制，限制了其架构和表达能力。本文探索了更高阶的不可约笛卡尔张量以解决这些限制。我们将不可约笛卡尔张量积集成到消息传递神经网络中，并证明了所得层的等变性和�迹性。通过对各种基准数据集的经验评估，我们持续观察到与最先进的球面和笛卡尔模型相当或更好的性能。