图神经网络离子势能的外推: 信息传递算法的作用
材料科学
2025-01-08 v3
摘要
图神经网络离子势能 (GNN-IPs) 因其能够从大数据集中学习而受到广泛关注。具体而言，通常使用晶体几何结构进行训练的基于 GNN 的通用离子势能，往往展现出对未训练领域（如表面或非晶构型）的显著外推能力。然而，这种外推能力的来源尚不清楚。本工作提供了 GNN-IPs 外推至未训练几何构型的理论解释。首先，我们证明了 GNN-IPs 能够通过信息传递算法捕获非局部静电相互作用，证据来自 toy model 和 DFT 数据。我们发现 GNN-IP 模型（如 SevenNet 和 MACE）在未训练的域中准确预测静电力，表明它们已学习了库仑相互作用的确切函数形式。基于这些结果，我们建议能够学习非局部静电相互作用的能力，结合 GNN-IPs 的嵌入特性，解释了其外推能力。我们发现，通用 GNN-IP（如 SevenNet-0）能够有效推断未训练域中非局部库仑相互作用，但未能外推由动力学项产生的非局部力，这支持了所提出的理论。最后，我们讨论了超参数对通用势能（如 SevenNet-0 和 MACE-MP-0）外推性能的影响，并探讨了外推能力的局限性。
引用
@article{arxiv.2405.00290,
title = {How Graph Neural Network Interatomic Potentials Extrapolate: Role of the Message-Passing Algorithm},
author = {Sungwoo Kang},
journal= {arXiv preprint arXiv:2405.00290},
year = {2025}
}