使用旋转变换卷积的旋转不变图神经网络

为了应对气候变化所需的能源突破，通过高效模拟原子系统可以显著加速这一进程。基于第一性原理的模拟技术，如密度泛函理论（Density Functional Theory, DFT），由于其高昂的计算成本，在实际应用中受到限制。机器学习方法有潜力以计算效率更高的方式近似DFT，这可能会极大地提高计算模拟在解决实际问题中的影响。近似DFT面临多个挑战，包括精确建模原子之间相对位置和角度的细微变化，以及施加旋转不变性或能量守恒等约束条件。我们提出了一种新颖的方法，用于在图神经网络中建模邻近原子集合之间的角度信息。通过使用每条边上的局部坐标系和一种新的自旋卷积来处理剩余的自由度，实现了网络边缘消息的旋转不变性。针对结构弛豫和分子动力学应用，提出了两种模型变体。在大规模Open Catalyst 2020数据集上展示了最先进的结果，并在MD17和QM9数据集上进行了对比实验。