要約
メッセージパッシングニューラルネットワークは、グラフ上での学習、特に化学的性質の予測や分子動力学シミュレーションの高速化において、広く採用される手法となっている。大規模なトレーニングデータセットへのスケーラビリティは容易であるが、従来のアプローチはカーネル法に比べてデータ効率が劣っていることが明らかになっている。本研究では、不変表現（invariant representations）の限界がその主な原因であると指摘し、回転に対して等価な表現（rotationally equivariant representations）を導入することで、メッセージパッシングの定式化を拡張した。これに基づき、極化可能な原子相互作用ニューラルネットワーク（Polarizable Atom Interaction Neural Network; PaiNN）を提案する。PaiNNは、従来のネットワークと比較して、モデルサイズの削減と推論時間の短縮を実現しつつ、一般的な分子ベンチマークにおいて性能を向上させた。さらに、PaiNNによって得られる等価な原子単位表現を活用し、テンソリアルな物理量の予測を実現した。最終的に、この手法を分子分光スペクトルのシミュレーションに応用した結果、電子構造計算の参照手法と比較して、4〜5桁の速度向上を達成した。