SchNet: 양자 상호작용 모델링을 위한 연속 필터 컨볼루션 신경망

딥러닝은 구조화된 데이터의 표현을 학습하고 화학 공간의 탐색을 가속화하는 데 이상적으로 적합하므로 양자화학을 혁신할 잠재력을 가지고 있습니다. 컨벌루션 신경망이 이미지, 오디오 및 비디오 데이터에 대한 첫 번째 선택으로 입증되었지만, 분자의 원자는 그리드에 제한되지 않습니다. 대신, 그들의 정확한 위치는 이산화될 경우 손실될 수 있는 필수적인 물리적 정보를 포함하고 있습니다. 따라서, 우리는 그리드 상에 데이터가 존재하지 않아도 로컬 상관관계를 모델링할 수 있는 연속 필터 컨벌루션 계층을 사용하도록 제안합니다. 이러한 계층을 SchNet(슈넷)이라는 새로운 딥러닝 아키텍처에 적용하여 분자 내 양자 상호작용을 모델링합니다. 우리는 기본 양자화학 원칙을 따르는 총 에너지와 원자 간 힘의 공동 모델을 얻습니다. 이에는 회전 불변 에너지 예측과 부드럽고 미분 가능한 포텐셜 에너지 표면이 포함됩니다. 우리의 아키텍처는 평형 상태 분자와 분자 역학 궤적의 벤치마크에서 최고 수준의 성능을 달성합니다. 마지막으로, 화학적 및 구조적 변동이 있는 더 어려운 벤치마크를 소개하며, 이를 통해 향후 연구 방향을 제시합니다.