原子神经网络的轻量级和高效张量敏感性
摘要：基于原子的机器学习侧重于创建遵循原子构型的基本对称性的模型，例如置换、平移和旋转不变性。在许多这些方案中，通过建立在标量不变量（例如原子对之间的距离）上来实现平移和旋转不变性。越来越多的研究关注使用更高秩旋转张量（例如原子之间的矢量位移和张量积）在内部处理分子表示。在这里，我们提出了一种扩展分层相互作用粒子神经网络（HIP-NN）与张量敏感性信息（HIP-NN-TS）的框架，来自每个局部原子环境。关键是，该方法采用了权重绑定策略，允许直接合并多体信息，同时添加很少的模型参数。我们表明，在几个数据集和网络大小上，HIP-NN-TS比HIP-NN更准确，参数数量几乎没有增加。随着数据集变得更加复杂，张量敏感性提供了更大的模型准确性改进。特别地，HIP-NN-TS在具有广泛的有机分子集合的具有挑战性的COMP6基准上实现了0.927 kcal/mol的最小平均误差。我们还将HIP-NN-TS的计算性能与HIP-NN和其他文献中的模型进行了比较。
作者：Michael Chigaev, Justin S. Smith, Steven Anaya, Benjamin Nebgen, Matthew Bettencourt, Kipton Barros, Nicholas Lubbers
论文ID：2212.03195
分类：Chemical Physics
分类简称：physics.chem-ph
提交时间：2023-05-24