TorchMD-NET：基于神经网络的分子势能的等变 Transformer
机器学习
2022-04-26 v2 人工智能
化学物理
摘要
量子力学性质的预测历来受困于精度与速度之间的权衡。机器学习势能此前已在该领域展现出巨大成功，在保持可与经典力场相媲美的计算效率的同时，达到日益提升的精度。本工作中，我们提出 TorchMD-NET，一种新颖的等变 Transformer（ET）架构，在 MD17、ANI-1 以及众多 QM9 目标上于精度与计算效率两方面均超越 SOTA。通过广泛的注意力权重分析，我们获得了关于这一黑箱预测器的宝贵洞见，并展示了从分子动力学或简正模采样所得构象与构型的学习表征之间的差异。此外，我们强调了包含非平衡构象的数据集对于分子势能评估的重要性。
引用
@article{arxiv.2202.02541,
title = {TorchMD-NET: Equivariant Transformers for Neural Network based Molecular Potentials},
author = {Philipp Thölke and Gianni De Fabritiis},
journal= {arXiv preprint arXiv:2202.02541},
year = {2022}
}