شينت: شبكة عصبية متكررة مع فلاتر مستمرة لنمذجة التفاعلات الكمية

التعلم العميق له القدرة على ثورة الكيمياء الكمية، حيث أنه مثالي لتعلم التمثيلات للبيانات المهيكلة وتسريع استكشاف الفضاء الكيميائي. بينما أثبتت الشبكات العصبية التلافيفية أنها الخيار الأول للصور والصوت والفيديو، فإن الذرات في الجزيئات ليست مقيدة بشبكة. بدلاً من ذلك، تحتوي مواقعها الدقيقة على معلومات فيزيائية أساسية، والتي ستضيع إذا تم تقسيمها. لذلك، نقترح استخدام طبقات التلافيف ذات المرشحات المستمرة لتمكيننا من نمذجة الارتباطات المحلية دون الحاجة إلى وجود البيانات على شبكة. نطبق هذه الطبقات في SchNet: هندسة تعلم عميقة جديدة تُنمذج التفاعلات الكمية في الجزيئات. نحصل على نموذج مشترك للطاقة الكلية والقوى بين الذرات يتوافق مع المبادئ الأساسية للكيمياء الكمية. وهذا يشمل توقعات الطاقة الدوارة الثابتة وسطح طاقة قابل للتفاضل بسلاسة. يحقق هندستنا أداءً رائدًا في مقاييس الجزيئات المتوازنة والمدارات الديناميكية الجزيئية. وأخيرًا، نقدم مقاييسًا أكثر تحديًا يتضمن تغيرات كيميائية وهيكلية يشير إلى المسار الذي يجب اتباعه في الأعمال المستقبلية.