这项工作提出了神经等变分子间势 (NequIP), 一种用于学习分子动力学模拟的从自由计算中学习分子间势的 E (3) 等变神经网络方法。NequIP 通过几何张量相互作用利用 E (3)- 等变卷积，此方法在数据效率方面具有非凡的性能，使得准确利用高损耗的量子化学理论构建准确潜力成为可能，并使得长时间尺度上的高保障分子动力学模拟成为可能。

Jan, 2021

我们在这篇论文中开发了 SE3Set，这是一个针对高级分子表示学习量身定制的 SE (3) 等变超图神经网络架构。SE3Set 的出色性能突显了其在各种分子结构上的转化潜力，为计算化学提供了一条更准确和物理细致建模的途径。

May, 2024

机器学习算法、图神经网络、量子计算、等变图神经网络和二元分类任务是本文的关键词和研究主题。

Nov, 2023

我们提出并分析了一种近似对称的神经网络家族，用于量子自旋液体问题。我们的方法在参数效率、可扩展性方面明显优于现有的无对称神经网络体系结构，并利用混合场拓扑码模型证明我们的方法与现有的张量网络和量子蒙特卡罗方法相竞争。此外，在最大的系统尺寸（N=480）下，我们的方法可以探索存在量子蒙特卡罗和有限尺寸矩阵乘积态无法解决的带有符号问题的哈密顿量。该网络包含一个完全对称的块以及一个非对称的块，我们认为它学习了类似准绝热延续的基态变换。我们的工作为在可解释的神经网络架构下研究量子自旋液体问题铺平了道路。

May, 2024

该研究介绍了一个统一的神经网络架构，Deep Equilibrium Density Functional Theory Hamiltonian (DEQH) 模型，它结合了 Deep Equilibrium Models (DEQs) 来预测 Density Functional Theory (DFT) Hamiltonians。DEQH 模型固有地捕捉了 Hamiltonian 的自洽性质，解决了传统机器学习方法在 Hamiltonian 预测中常忽略的关键问题。在多个数据集上测试，DEQHNet 显著提高了预测准确性，除了预测器外，DEQH 模型还是一个 Hamiltonian 求解器，利用深度平衡模型的固定点求解能力迭代求解 Hamiltonian，对 DEQHNet 的消融研究进一步阐明了网络的有效性，揭示了 DEQ 集成网络在 Hamiltonian 学习中的潜力。

Jun, 2024

通过创造物理系统的 3D 多体点云，我们提出了一种新型的基于等变矩阵乘积态 (MPS) 的消息传递策略，有效地建模复杂的多体关系并捕捉了几何图中的对称性，超越了现有的几何图神经网络的平均场近似，并在预测经典牛顿系统和量子张量哈密顿矩阵等基准任务上验证了其卓越的准确性，堪称参数化几何张量网络的创新应用。

Jan, 2024

通过引入等变向量表示，消息传递神经网络在预测分子相互作用方面表现出显著的功效。在消息传递过程中，两个相对的化学键向量可能会相互抵消，导致他们共享节点上的方向信息丢失。本研究开发了等变 N 体互作用网络（ENINet），明确地整合等变的多体互作用以保留消息传递方案中的方向信息。实验证明，整合多体等变表示增强了对不同标量和张量量子化学性质的预测准确性。消融研究显示，在 QM9 的 12 个性质中有 11 个平均性能提升了 7.9%，在 MD17 的力中提升了 27.9%，在 QM7b 的极化率（CCSD）中提升了 11.3%。

Jun, 2024

我们得出了一种新型的神经网络，叫做紧致矩阵量子群等变神经网络，它能够从具有基础量子对称性的数据中进行学习。我们应用 Woronowicz 的 Tannaka-Krein 对偶形式来描述出这些神经网络中所出现的权重矩阵，并对任意简单紧致矩阵量子群给出了权重矩阵的表征。我们展示了紧致矩阵量子群等变神经网络包含了所有紧致矩阵群等变神经网络的子类。此外，我们对许多之前在机器学习文献中未出现过的紧致矩阵群等变神经网络的权重矩阵进行了表征。

Nov, 2023

这项研究提出了与平面 $p4m$ 对称性相等的量子卷积神经网络（EquivQCNNs），用于图像分类，并在不同的用例中进行测试，证明了等变性促进了模型更好的泛化能力。

Oct, 2023

应用等变图神经网络提高在结构生物学中解决机器学习中出现的三维大分子结构的难题，在八个任务中，在三个任务上超越了所有基准模型，在另外两个任务上并列第一，在使用高阶表示和球面谐波卷积的等变网络中表现良好。此外，我们证明迁移学习可以进一步提高特定下游任务的性能。

Jun, 2021