SchNet: Ein kontinuierlicher Filter-Konvolutionales Neuronales Netzwerk zur Modellierung quantenmechanischer Wechselwirkungen

Tiefes Lernen hat das Potenzial, die Quantenchemie zu revolutionieren, da es sich ideal eignet, Darstellungen für strukturierte Daten zu erlernen und die Erforschung des chemischen Raums zu beschleunigen. Obwohl Faltungsneuronale Netze (CNNs) als erste Wahl für Bilder, Audio- und Videodaten erwiesen haben, sind die Atome in Molekülen nicht auf einem Gitter beschränkt. Stattdessen enthalten ihre genauen Positionen wesentliche physikalische Informationen, die verloren gingen, wenn sie diskretisiert würden. Daher schlagen wir vor, kontinuierliche Filter-Faltungsschichten zu verwenden, um lokale Korrelationen modellieren zu können, ohne dass die Daten auf einem Gitter liegen müssen. Wir wenden diese Schichten in SchNet an: einer neuen tiefen Lernarchitektur zur Modellierung quantenchemischer Interaktionen in Molekülen. Wir erhalten ein gemeinsames Modell für die Gesamtenergie und die interatomaren Kräfte, das grundlegende quantenchemische Prinzipien befolgt. Dies beinhaltet rotationsinvariante Energievorhersagen und eine glatte, differenzierbare potentielle Energieschwelle. Unsere Architektur erreicht Spitzenleistungen bei Benchmarks von Gleichgewichtsmolekülen und molekularen Dynamiktrajektorien. Schließlich führen wir einen anspruchsvolleren Benchmark mit chemischen und strukturellen Variationen ein, der den Weg für weitere Forschung vorschlägt.