学习三维各向异性噪声分布以改进分子力场建模
机器学习
2025-10-28 v1 机器学习
摘要
坐标去噪已成为3D分子预训练的热门方法，因其与学习分子力场之间的理论联系。然而，现有去噪方法依赖于过于简化的分子动力学，假设原子运动是各向同性且同方差的。为此，本文提出了一种新型去噪框架AniDS：基于变分自编码器的三维分子各向异性去噪。AniDS引入结构感知的各向异性噪声生成器，能够为高斯噪声分布生成特定原子的、完整协方差矩阵，以更好地反映分子系统中方向性和结构性变异性。这些协方差矩阵来源于成对原子间的相互作用，作为各向同性基准的各向异性修正。我们的设计确保所得协方差矩阵为对称、半正定且SO(3)等变，同时提供更大的建模复杂分子动力学的容量。大量实验表明，AniDS在MD17和OC22基准上均优于先前的各向同性和同方差去噪模型及其他主流方法，在力预测精度方面平均提升8.9%和6.2%。我们的案例研究表明，AniDS在键合方向上自适应地抑制噪声，符合物理化学原理。我们的代码已公开于https://github.com/ZeroKnighting/AniDS。
引用
@article{arxiv.2510.22123,
title = {Learning 3D Anisotropic Noise Distributions Improves Molecular Force Field Modeling},
author = {Xixian Liu and Rui Jiao and Zhiyuan Liu and Yurou Liu and Yang Liu and Ziheng Lu and Wenbing Huang and Yang Zhang and Yixin Cao},
journal= {arXiv preprint arXiv:2510.22123},
year = {2025}
}