QT-Net：原子化学空间中 AI 模型评估的重新思考
机器学习
2026-05-12 v1 材料科学
化学物理
摘要
原子属性（如部分电荷或多极矩）编码了化学上有意义的信息，可用于inform downsteam molecular property prediction，但其作为机器学习目标的评估受限于缺乏原子级别原则性的 out-of-distribution 评估协议。本文提出一种 held-out 评估协议，通过 SOAP 描述符对原子环境进行聚类，并计算仅考虑训练期未见过的 cluster 标签的指标。遵循此程序，我们使用 5×5 交叉验证和 Tukey's HSD 对 E(3)-等变模型与非等变模型、旋转增强模型用于预测 H、C、N、O 原子的电子 populations 和多极矩进行统计刚性比较。基于我们的结果，我们引入量子拓扑神经网络（QT-Net），一种旋转增强的非等变图神经网络。我们展示，QT-Net 可用于从 QM9 中我们的训练集之外的分子原子推断属性，并且这些推断属性可用于提升作为下游分子属性预测输入特征的性能。为进一步验证该框架，基于 QT-Net 的原子输出计算的分子偶极矩恢复报道在 QM9 中的 ground-truth values。我们发布所有代码和数据，包括 QT-Net 的 JAX 实现，以支持更广泛地将所学 QTA 属性作为原子尺度分子机器学习的归纳偏置使用。
引用
@article{arxiv.2605.10458,
title = {QT-Net: Rethinking Evaluation of AI Models in Atomic Chemical Space},
author = {Pablo Martínez Crespo and Stefano Ribes and Martin Rahm and Richard Beckmann and Robert S. Jordan and Marisa Gliege and Santiago Miret and Vijay Kris Narasimhan and Rocío Mercado},
journal= {arXiv preprint arXiv:2605.10458},
year = {2026}
}