张量分解网络用于快速机器学习离子势计算
机器学习
2026-01-14 v5 计算物理
摘要
等变网络是机器学习离子势（MLIPs）的主导模型。该网络的关键运算是 Clebsch-Gordan（CG）张量积，计算开销大。为加速计算，我们发展了张量分解网络（TDNs），作为一类近似等变网络，其中用低秩张量分解取代CG张量积，如 CP 分解。通过 CP 分解，我们证明了（i） 等变诱导误差的均匀上界，以及（ii）任何等变双线性映射的通用逼近性。为进一步减少参数数量，我们提出了路径权重共享，将所有 CG 路径中的自旋空间权重绑定到单个共享参数集，而不损害等变性，其中 为最大角动量。 resulting layer acts as a plug-and-play replacement for tensor products in existing networks, and the computational complexity of tensor products is reduced from to 。我们在 PubChemQCR 上评估了 TDNs，该数据集包含 10500 万个 DFT 计算的分子松弛快照。我们也使用现有数据集，包括 OC20 和 OC22。结果表明，TDNs 在计算上实现了与竞争性能相当的性能并实现了显著加速。我们的代码作为 AIRS 库的一部分公开可用（\href{https://github.com/divelab/AIRS/tree/main/OpenMol/TDN}{https://github.com/divelab/AIRS/}）。
引用
@article{arxiv.2507.01131,
title = {Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations},
author = {Yuchao Lin and Cong Fu and Zachary Krueger and Haiyang Yu and Maho Nakata and Jianwen Xie and Emine Kucukbenli and Xiaofeng Qian and Shuiwang Ji},
journal= {arXiv preprint arXiv:2507.01131},
year = {2026}
}