通过减少特征相关性提高 GNN 力场模型稳定性
机器学习
2025-02-19 v1 人工智能
摘要
最近，基于图神经网络的力场（GNNFF）模型在分子动力学（MD）仿真中广泛应用，这是半导体材料研究中成本效益极高的方法之一。然而，尽管这些模型在训练（驻点）数据集上的能量和力均值绝对误差（MAE）都很高，但在用于非驻点数据集时，往往在长时间 MD 仿真中变得不稳定。本文提出了一种基于特征相关性的方法，用于增强 GNNFF 模型的 MD 仿真稳定性。我们揭示了特征相关性与 GNNFF 模型稳定性之间的负相关关系，并设计了带有动态损失系数调度器的损失函数，以减少边缘特征相关性，可适用于通用的 GNNFF 训练。我们还提出了一个用于评估 MD 仿真稳定性的经验指标。实验表明，我们的方法可显著提高 GNNFF 模型的稳定性，尤其是在非驻点数据上，计算开销不足 3%。例如，我们可以将 Allegro 模型的稳定 MD 仿真时间从 0.03 ps 提升到 10 ps。
引用
@article{arxiv.2502.12548,
title = {Improving the Stability of GNN Force Field Models by Reducing Feature Correlation},
author = {Yujie Zeng and Wenlong He and Ihor Vasyltsov and Jiaxin Wei and Ying Zhang and Lin Chen and Yuehua Dai},
journal= {arXiv preprint arXiv:2502.12548},
year = {2025}
}