Der Artikel beschreibt eine Methode, um die Leistung von Graphischen Neuronalen Netzen (GNNs) bei der Vorhersage von Energie und Kräften in atomistischen Systemen zu verbessern. Die Kernidee ist, das Entlärmen nicht-Gleichgewichtsstrukturen (DeNS) als Hilfsaufgabe zu verwenden.
Zunächst wird erläutert, dass die meisten bisherigen Arbeiten zum Entlärmen auf Gleichgewichtsstrukturen beschränkt sind, die nur einen kleinen Teil der verfügbaren Daten ausmachen. Nicht-Gleichgewichtsstrukturen, die entlang einer Relaxationstrajectorie liegen, haben dagegen mehr mögliche Atomkonfigurationen und stellen daher ein schlecht definiertes Problem dar.
Um dies zu adressieren, schlagen die Autoren vor, die Kräfte der ursprünglichen nicht-Gleichgewichtsstrukturen als Eingabe zu verwenden, wenn nicht-Gleichgewichtsstrukturen entlärmt werden. So kann das Modell die ursprüngliche nicht-Gleichgewichtsstruktur, die den eingegebenen Kräften entspricht, vorhersagen, anstatt eine beliebige Struktur.
Die Autoren zeigen, dass DeNS insbesondere äquivariante Netzwerke begünstigt, da diese Kräfte leicht in ihre Knoteneinbettungen integrieren können. Sie untersuchen die Effektivität von DeNS auf den Datensätzen OC20, OC22 und MD17 und zeigen, dass DeNS neue State-of-the-Art-Ergebnisse auf OC22 und signifikante Verbesserungen auf MD17 erreichen kann.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Yi-Lun Liao,... alle arxiv.org 03-15-2024
https://arxiv.org/pdf/2403.09549.pdfDomande più approfondite