Réseaux Neuronaux Graphiques Invariants par Rotation utilisant des Convolutions de Spin

Les progrès nécessaires pour lutter contre le changement climatique peuvent être considérablement accélérés grâce à la simulation efficace des systèmes atomiques. Les techniques de simulation basées sur les principes fondamentaux, comme la Théorie de la Fonctionnelle de la Densité (DFT), sont limitées dans leur utilisation pratique en raison de leur coût computationnel élevé. Les approches d'apprentissage automatique ont le potentiel d'approximer la DFT de manière computationnellement efficace, ce qui pourrait considérablement augmenter l'impact des simulations computationnelles sur les problèmes réels. L'approximation de la DFT présente plusieurs défis. Ces défis incluent la modélisation précise des subtiles variations des positions relatives et des angles entre les atomes, ainsi que l'imposition de contraintes telles que l'invariance par rotation ou la conservation de l'énergie. Nous présentons une nouvelle approche pour modéliser les informations angulaires entre des ensembles d'atomes voisins dans un réseau neuronal graphique. L'invariance par rotation est réalisée pour les messages d'arêtes du réseau grâce à l'utilisation d'un cadre de coordonnées locales par arête et d'une nouvelle convolution de spin sur le reste du degré de liberté. Deux variantes de modèle sont proposées pour les applications de relaxation structurale et de dynamique moléculaire. Des résultats à l'état de l'art sont démontrés sur le grand ensemble de données Open Catalyst 2020. Des comparaisons sont également effectuées sur les ensembles de données MD17 et QM9.