基于多目标优化与量子混合化合物中等变深学习原子势能的优化
材料科学
2026-02-20 v1 机器学习
量子物理
摘要
Allegro 是一种用于预测分子中原子属性的机器学习原子势能（MLIP）模型，采用 E(3) 等变神经网络。训练该模型时，通常存在准确率与推理时间之间的权衡。为此，我们应用多目标超参数优化来处理这两个目标。此外，我们通过对 Allegro 进行变体进行实验，包括添加严格的经典多层感知器（MLP）层或添加量子-经典混合层的架构。我们分别在 QM9、rMD17-阿司匹林、rMD17-苯酚以及我们自有的铜和锂原子数据集上进行比较。结果表明，我们列出了多种在准确率上超越 Allegro 的变体，也展示了推理时间与准确率之间的权衡。
引用
@article{arxiv.2602.16908,
title = {Multi-objective optimization and quantum hybridization of equivariant deep learning interatomic potentials on organic and inorganic compounds},
author = {G. Laskaris and D. Morozov and D. Tarpanov and A. Seth and J. Procelewska and G. Sai Gautam and A. Sagingalieva and R. Brasher and A. Melnikov},
journal= {arXiv preprint arXiv:2602.16908},
year = {2026}
}
备注
13 pages, 6 figures, 5 tables