MARA：用于分子力场的连续 SE(3) 等变注意力
机器学习
2026-02-04 v1 人工智能
摘要
机器学习力场（MLFFs）已成为准确且高效原子尺度建模的关键工具。尽管具有高精度，大多数现有方法依赖固定的角向展开，限制了对局部几何相互作用的灵活性加权。在本文中，我们引入模块化角-径注意力（MARA），是一个扩展自用于 SO(3) 任务的球面注意力到分子领域和 SE(3) 的模块，提供了等变相互作用的有效近似。MARA 直接作用于相邻原子的角向和径向坐标，实现对局部环境的灵活、几何感知且模块化的加权。与 SE(3) 等变架构中现有注意力机制不同，MARA 可无需架构修改地集成到诸如 MACE 等模型中。在分子基准测试中，MARA 改进了能量和力的预测，减少了高误差事件，并提高了鲁棒性。这些结果表明，连续球面注意力是一种有效且通用的几何算子，提高了原子模型的表达性、稳定性和可靠性。
引用
@article{arxiv.2602.02671,
title = {MARA: Continuous SE(3)-Equivariant Attention for Molecular Force Fields},
author = {Francesco Leonardi and Boris Bonev and Kaspar Riesen},
journal= {arXiv preprint arXiv:2602.02671},
year = {2026}
}