【论文标题】Rotation Invariant Graph Neural Networks using Spin Convolutions

【作者团队】Muhammed Shuaibi, Adeesh Kolluru, Abhishek Das, Aditya Grover, Anuroop Sriram, Zachary Ulissi, C. Lawrence Zitnick

【发表时间】2021/06/17

【机 构】卡内基·梅隆大学

【论文链接】https://arxiv.org/pdf/2106.09575.pdf

 

【推荐理由】本文出自卡内基·梅隆大学，针对密度泛函理论 (DFT)，计算成本高的问题，提出了基于机器学习实现近似DFT计算的设想，引入一种新方法来对图神经网络中相邻原子组之间的角度信息进行建模，从而实现该功能。

 

通过对原子系统进行有效模拟，可以显著加快应对气候变化所需的能源突破进展。基于第一性原理的仿真技术，例如密度泛函理论 (DFT)，由于计算成本高，在实际应用中受到限制。机器学习方法有可能以近似 DFT计算效率高的方式，从而显著增加计算模拟对现实世界问题的影响。近似 DFT 提出了几个挑战。这些包括精确模拟原子之间相对位置和角度的细微变化，以及强制执行约束，例如旋转不变性或能量守恒。本文引入了一种新方法来对图神经网络中相邻原子组之间的角度信息进行建模。通过使用每边局部坐标系和剩余自由度上的新自旋卷积，网络的边消息实现了旋转不变性。为结构弛豫和分子动力学的应用提出了两种模型变体。同时，本文在大规模 Open Catalyst 2020 数据集上展示了最先进的结果。还对 MD17 和 QM9 数据集进行了比较。

 

图1为本文的总体架构图。左图为采用原子位置 x 和原子位置的以能量为中心的模型的总体模型图，数字 a 作为输入并估计能量 E。右图嵌入和力块的图。力块仅用于以力为中心的模型中，以估计每个原子的力消息块。

 

图1 总体架构图

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除