EGraFFBench: Evaluierung äquivarianter Graph-Neuralnetz-Kraftfelder für atomistische Simulationen

Equivariante Graph-Neurale Netze Kraftfelder (EGraFFs) haben großes Potenzial gezeigt, um komplexe Wechselwirkungen in atomaren Systemen durch die Ausnutzung der inhärenten Symmetrien von Graphen zu modellieren. Kürzliche Arbeiten haben zu einem Anstieg in der Entwicklung neuer Architekturen geführt, die neben architekturbezogenen Innovationen wie Graph-Transformern und Message-Passing auch äquivarianz-basierte induktive Verzerrungen einbeziehen, um atomare Wechselwirkungen zu modellieren. Allerdings fehlen gründliche Evaluierungen dieser EGraFFs bei der Anwendung für die nachgelagerte Aufgabe realistischer atomistischer Simulationen. In diesem Zusammenhang führen wir hier eine systematische Benchmarking von 6 EGraFF-Algorithmen (NequIP, Allegro, BOTNet, MACE, Equiformer, TorchMDNet) durch, mit dem Ziel, ihre Fähigkeiten und Einschränkungen für realistische atomistische Simulationen zu verstehen. Neben unserer gründlichen Bewertung und Analyse anhand von acht bestehenden Datensätzen auf Basis der Benchmark-Literatur veröffentlichen wir zwei neue Benchmark-Datensätze, schlagen vier neue Metriken vor und definieren drei anspruchsvolle Aufgaben. Die neuen Datensätze und Aufgaben bewerten die Leistung der EGraFFs bei außerhalb des Trainingsdatums liegenden Daten (out-of-distribution data), insbesondere hinsichtlich verschiedener Kristallstrukturen, Temperaturen und neuer Moleküle. Interessanterweise zeigt die Bewertung der EGraFF-Modelle basierend auf dynamischen Simulationen, dass ein niedrigerer Fehler bei Energie oder Kraft nicht automatisch stabile oder verlässliche Simulationen oder eine treue Replikation der atomaren Strukturen garantiert. Darüber hinaus stellen wir fest, dass kein Modell alle anderen Modelle auf allen Datensätzen und Aufgaben klar übertrifft. Wichtig ist jedoch, dass wir zeigen, dass die Leistung aller Modelle bei außerhalb des Trainingsdatums liegenden Datensätzen unzuverlässig ist. Dies deutet darauf hin, dass es notwendig ist, ein Fundamentmodell für Kraftfelder zu entwickeln, das in realistischen Simulationen eingesetzt werden kann. Zusammenfassend etabliert diese Arbeit einen strengen Rahmen zur Bewertung maschinelles Lernen-basierter Kraftfelder im Kontext von atomistischen Simulationen und weist auf offene Forschungsaufgaben in diesem Bereich hin.请注意，为了更符合德语读者的阅读习惯，我在某些地方对句子结构进行了优化。例如，“out-of-distribution data”被翻译为“außerhalb des Trainingsdatums liegende Daten”，并在首次出现时加了括号标注原文。此外，“maschinelles Lernen-basierter Kraftfelder”中的连字符是为了符合德语书写规范。