Passage de messages directionnels rapide et conscient des incertitudes pour les molécules hors équilibre

De nombreuses tâches importantes en chimie portent sur les molécules au cours des réactions. Cela nécessite des prédictions loin de l’équilibre, alors que la majeure partie des travaux récents en apprentissage automatique appliqué aux molécules se concentre sur des états à l’équilibre ou proches de l’équilibre. Dans cet article, nous visons à étendre cette portée en trois directions. Premièrement, nous proposons le modèle DimeNet++, qui est 8 fois plus rapide et 10 % plus précis que le modèle original DimeNet sur le benchmark QM9 dédié aux molécules à l’équilibre. Deuxièmement, nous validons DimeNet++ sur des molécules hautement réactives en développant le jeu de données défiant COLL, qui contient des configurations déformées de petites molécules au cours de collisions. Enfin, nous étudions l’ensemblage et l’estimation de la moyenne et de la variance pour la quantification de l’incertitude, dans le but d’accélérer l’exploration de l’immense espace des structures hors équilibre. L’implémentation de DimeNet++ ainsi que le jeu de données COLL sont disponibles en ligne.