Alapfogalmak
비평형 구조에 대한 탈잡음을 보조 과제로 사용하면 기존 데이터를 더 잘 활용할 수 있어 성능이 향상된다.
Kivonat
이 논문은 비평형 구조에 대한 탈잡음(DeNS)을 보조 과제로 사용하여 3D 원자 시스템의 상호작용을 더 잘 학습할 수 있음을 보여준다.
주요 내용은 다음과 같다:
평형 구조에 대한 탈잡음은 잘 정의된 문제이지만, 비평형 구조에 대한 탈잡음은 ill-posed 문제이다. 이를 해결하기 위해 원래 구조의 힘을 입력으로 사용한다.
DeNS는 등가 신경망에 적합하며, 힘을 쉽게 인코딩할 수 있다. 등가 신경망에 DeNS를 적용하면 OC20, OC22, MD17 데이터셋에서 성능이 향상된다.
OC20 실험에서 DeNS를 사용한 EquiformerV2가 기존 최고 성능을 넘어섰다. OC22에서도 DeNS를 사용한 EquiformerV2가 새로운 최고 성능을 달성했다.
MD17 실험에서 DeNS를 사용한 Equiformer(Lmax=2)가 Equiformer(Lmax=3)보다 더 나은 성능을 보였고, 훈련 시간도 3.1배 줄였다.
Statisztikák
비평형 구조의 힘을 입력으로 사용하면 탈잡음 성능이 향상된다.
DeNS를 사용하면 OC20 S2EF-2M 데이터셋에서 힘 MAE가 20.16에서 19.32로 개선되었다.
DeNS를 사용하면 OC22 데이터셋에서 에너지 MAE가 ID 에서 9.6% 에서 16.7% 개선되었고, OOD에서 5.1% 에서 10.4% 개선되었다.
DeNS를 사용하면 MD17 데이터셋에서 Equiformer(Lmax=2)의 훈련 시간이 Equiformer(Lmax=3)보다 3.1배 줄었다.
Idézetek
"Since DeNS requires encoding forces, DeNS favors equivariant networks, which can easily incorporate forces and other higher-order tensors in node embeddings."
"Our key insight is to additionally encode the forces of the original non-equilibrium structure to specify which non-equilibrium structure we are denoising."