SchNet : Un réseau neuronal convolutif à filtre continu pour modéliser les interactions quantiques

L'apprentissage profond (deep learning) a le potentiel de révolutionner la chimie quantique, car il est particulièrement adapté pour apprendre des représentations de données structurées et accélérer l'exploration de l'espace chimique. Bien que les réseaux neuronaux convolutifs aient fait leurs preuves comme premier choix pour les données d'images, audio et vidéo, les atomes dans les molécules ne sont pas limités à une grille. Au contraire, leurs positions précises contiennent des informations physiques essentielles qui seraient perdues si elles étaient discrétisées. Nous proposons donc d'utiliser des couches convolutives à filtre continu pour pouvoir modéliser les corrélations locales sans nécessiter que les données soient situées sur une grille. Nous appliquons ces couches dans SchNet : une nouvelle architecture d'apprentissage profond modélisant les interactions quantiques dans les molécules. Nous obtenons un modèle conjoint pour l'énergie totale et les forces interatomiques qui suit les principes fondamentaux de la chimie quantique. Cela inclut des prédictions d'énergie invariantes par rotation et une surface d'énergie potentielle lisse et différentiable. Notre architecture atteint des performances de pointe pour des benchmarks de molécules à l'équilibre et des trajectoires de dynamique moléculaire. Enfin, nous introduisons un benchmark plus complexe avec des variations chimiques et structurelles, ce qui suggère la voie à suivre pour des travaux futurs.