回転不変グラフニューラルネットワークのスピン畳み込みを使用した構築

気候変動対策に必要なエネルギー革命の進展は、原子系の効率的なシミュレーションを通じて大幅に加速される可能性があります。第一原理に基づくシミュレーション手法、例えば密度汎関数理論（DFT）は、その高い計算コストにより実用的な用途が制限されています。機械学習アプローチは、計算的に効率的な方法でDFTを近似する潜在能力を持ち、これにより計算シミュレーションが現実世界の問題に対して与える影響を劇的に高めることができます。DFTの近似にはいくつかの課題があります。これらには、原子間の相対位置や角度の微妙な変化を正確にモデル化すること、回転不変性やエネルギー保存則などの制約を強制することなどが含まれます。本研究では、グラフニューラルネットワークにおいて隣接する原子集合間の角度情報をモデル化する新しい手法を提案します。ネットワークのエッジメッセージに対する回転不変性は、エッジごとの局所座標系と残りの自由度に対する新しいスピン畳み込みを使用することで達成されます。構造緩和と分子動力学への応用のために2つのモデルバリエントが提案されており、大規模なOpen Catalyst 2020データセットにおいて最先端の結果が示されています。また、MD17およびQM9データセットでも比較が行われています。