SchNet：一种用于建模量子相互作用的连续滤波卷积神经网络

深度学习有望彻底改变量子化学领域，因为它非常适合学习结构化数据的表示，并加速化学空间的探索。尽管卷积神经网络在图像、音频和视频数据处理中已被证明是首选方法，但分子中的原子并不局限于网格上。相反，它们的确切位置包含着重要的物理信息，如果进行离散化处理，这些信息将会丢失。因此，我们提出使用连续滤波器卷积层（continuous-filter convolutional layers），以便在不需要数据位于网格上的情况下建模局部相关性。我们在SchNet中应用了这些层：这是一种新颖的深度学习架构，用于建模分子中的量子相互作用。我们获得了一个联合模型，该模型可以预测总能量和原子间力，并遵循基本的量子化学原理。这包括旋转不变的能量预测和平滑、可微分的势能面。我们的架构在平衡分子和分子动力学轨迹的基准测试中达到了最先进的性能。最后，我们引入了一个更具挑战性的基准测试，其中包含化学和结构的变化，为未来的研究指明了方向。