May, 2024

用于等变信息传递的高阶不可约笛卡尔张量

PDF
TL;DR通过整合基于高阶不可约笛卡儿张量的消息传递神经网络，论文介绍了一种新的机器学习方法，用于高效地进行原子尺度模拟，表现出与第一性原理方法相当甚至更好的性能。
atomistic simulationsmachine-learned interatomic potentialsequivariant message-passing architectureshigher-rank irreducible cartesian tensorsempirical evaluations
发现论文，激发创造
  • TensorNet：用笛卡尔张量表示法高效学习分子势

    该文章介绍了一种新的张量表示神经网络 TensorNet，其在分子系统表示中表现出了状态 - of-the-art 的性能，能有效地降低模型计算成本，并具有准确预测分子量子量的能力。

    Jun, 2023

  • 对称消息传递算法用于张量特性和分子光谱预测

    本文介绍了通过使用极化原子相互作用的神经网络（PaiNN）来改善基于消息传递神经网络的分子预测性能，从而实现分子光谱模拟速度的提升。

    Feb, 2021

  • 基于笛卡尔原子团簇展开的机器学习金属间势能

    机器学习原子间势场，通过 Cartesian Atomic Cluster Expansion 模型在材料科学和化学的大规模、准确的原子模拟中起到了革命性的作用。该模型采用原子簇展开和等变信息传递与球谐函数作为基函数的方式，并结合了各种化学元素的低维嵌入和原子间信息传递。结果表明，该模型 (CACE) 具有良好的准确性、稳定性和普适性，并在不同系统中进行了验证，包括大量的水、小分子和 25 种元素的高熵合金。

    Feb, 2024

  • 分子图网络具有多体等变相互作用

    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

  • 标量通用性：等变机器学习，结构类似于经典物理

    文章讨论了神经网络在物理规律中对称性的应用，提出了基于张量和标量方法的普适逼近算法。

    Jun, 2021

  • P-tensors: 构建高阶消息传递网络的一般形式

    通过考虑给定图形中包含的子图的高阶表示，然后在它们之间执行一些线性映射，我们将这些结构形式化为置换等变张量（P-tensors）并推导了任意阶等变 P-tensors 之间的全部线性映射的基础知识，在多个基准数据集上，我们实验性地展示了这种范例实现了最先进的性能。

    Jun, 2023

  • 在黎曼流形上等变传递神经网络的几何洞察

    该研究论文提出了在黎曼流形上进行等变消息传递的几何视角，利用坐标无关的特征场表示黎曼流形上的数值特征，并通过优化特征空间的度量来最优地保留主丛的原始度量，从而得到与向量丛相关的等变扩散过程，进而提出了一种新的等变图神经网络框架，推广了 ACE 和 MACE 框架到黎曼流形上的数据。

    Oct, 2023

  • E (3) 等变图神经网络用于高效且准确的原子间势能

    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

  • E (3) 等变原子中心势在设计空间中的研究

    本文介绍了一个将 Atomic Cluster Expansion (ACE) 和 Neural Equivariant Interatomic Potentials (NequIP) 统一起来的数学框架，以及通过 NequIP 的 ablation study 对设计选项进行探究的实验，并提出了一个简化版本 BOTNet。

    May, 2022

  • 量子启发式的几何建模的神经网络

    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