Modélisation hiérarchique des énergies moléculaires à l'aide d'un réseau neuronal profond

Nous présentons le Réseau Neuronal de Particules Hiérarchiquement Interagissantes (HIP-NN) pour modéliser les propriétés moléculaires à partir de jeux de données de calculs quantiques. Inspiré par une expansion à plusieurs corps, l'HIP-NN décompose les propriétés, telles que l'énergie, en une somme de termes hiérarchiques. Ces termes sont générés par un réseau neuronal – une composition de nombreuses transformations non linéaires – agissant sur une représentation de la molécule. L'HIP-NN atteint des performances d'état de l'art sur un jeu de données composé de 131 000 molécules organiques dans leur état fondamental, et prédit les énergies avec une erreur absolue moyenne de 0,26 kcal/mol. Avec un réglage minimal, notre modèle est également compétitif sur un jeu de données de trajectoires dynamiques moléculaires. Outre la possibilité d'effectuer des prédictions d'énergie précises, la structure hiérarchique de l'HIP-NN aide à identifier les régions d'incertitude du modèle.