摘要
在科学研宄中，开发高效分子系统表征的机器学习模型正变得日益关键。本文提出了一种创新的O(3)等变消息传递神经网络架构——TensorNet，该架构利用笛卡尔张量表示方法。通过采用笛卡尔张量形式的原子嵌入，特征混合过程可通过矩阵乘积操作简化实现。此外，该方法能够以低成本将张量分解为旋转群的不可约表示，从而在需要时对标量、矢量和张量进行独立处理。与高阶球谐张量模型相比，TensorNet在参数量显著减少的前提下，实现了当前最先进的性能表现，甚至在仅使用单层交互的情况下即可准确预测小分子的势能。由于上述诸多特性，模型的计算开销大幅降低。同时，该模型还能够在势能和力的基础上，实现对分子矢量和张量量的精确预测。综上所述，TensorNet的框架为设计新一代高性能等变模型开辟了新的可能性。