회전 불변 그래프 신경망을 위한 스핀 컨볼루션

기후 변화와 싸우기 위해 필요한 에너지 혁신을 달성하기 위해서는 원자 시스템의 효율적인 시뮬레이션이 크게 가속화될 수 있습니다. 제1원리 기반의 시뮬레이션 기법, 예를 들어 밀도 함수 이론(Density Functional Theory, DFT)은 높은 계산 비용 때문에 실제 사용에 한계가 있습니다. 머신 러닝 접근 방식은 계산적으로 효율적인 방법으로 DFT를 근사할 가능성이 있어, 이는 실세계 문제에 대한 계산 시뮬레이션의 영향력을 크게 증가시킬 수 있습니다. DFT를 근사하는 것은 여러 가지 도전 과제를 내포합니다. 이에는 원자 간의 상대 위치와 각도의 미묘한 변화를 정확히 모델링하고, 회전 불변성이나 에너지 보존 등의 제약 조건을 강제하는 것이 포함됩니다. 우리는 그래프 신경망에서 인접 원자 집합 간의 각 정보를 모델링하는 새로운 접근 방식을 소개합니다. 각 엣지별 로컬 좌표 프레임과 새로운 스핀 합성을 사용하여 네트워크의 엣지 메시지에서 회전 불변성을 달성하였습니다. 구조 완화와 분자 역학 응용을 위한 두 가지 모델 변형이 제안되었습니다. 대규모 오픈 촉매 2020(Open Catalyst 2020) 데이터셋에서 최첨단 결과를 입증하였으며, MD17 및 QM9 데이터셋에서도 비교 연구가 수행되었습니다.