深研院化学生物学与生物技术学院陈语谦团队在高效等变模型的机器学习原子间势研究取得重大进展-知多少教育网-记录每日最新科研教育资讯

深研院化学生物学与生物技术学院陈语谦团队在高效等变模型的机器学习原子间势研究取得重大进展

北京大学

发布时间: 379次浏览

近期，北京大学化学生物学与生物技术学院、科学智能学院陈语谦课题组与新加坡国立大学合作，开发了一种基于高效等变模型的机器学习原子间势模型E²GNN，不同于传统等变模型依赖复杂的高阶张量表示，E²GNN采用“标量-向量”的简洁表示对等变特征进行编码，并结合全局消息传递机制，更精准地描述了长程原子间相互作用，实现高效且物理合理的势能预测。相关成果以“Efficient equivariant model for machine learning interatomic potentials”为题，发表于AI4M领域著名期刊npj Computational Materials（中科院一区Top），并入选Featured Article。

论文截图

精准且高效地预测原子间势能是推进材料设计与模拟的核心环节。然而，现有深度学习方法虽在加速计算方面展现出巨大潜力，却常难以同时兼顾预测精度与计算效率，尤其在大规模体系模拟中挑战尤为突出。要实现“又快又准”的势能预测，需要兼顾两个要点：为保持物理合理性，模型输出的能量须对刚体变换（平移、旋转）不变，预测的力场则需对平移不变、对旋转等变，以确保物理一致性；模型设计在满足上述等变性约束的同时，还应维持足够的计算效率，以适应大规模模拟的需求。

图神经网络的基本原理以及等变与不变概念的解释

为解决上述难题，研究团队提出了一种兼具精度与效率的等变图神经网络（E²GNN）。与传统等变模型依赖复杂高阶张量表示不同，E²GNN采用简洁的“标量-向量”混合表示编码等变特征，并引入全局消息传递机制，以精确捕捉长程原子相互作用，从而实现高精度、高效率的势能预测。全局消息传递与门控消息传递机制的协同，又进一步提升了模型整体表现。

E²GNN的原理图

实验结果表明，在催化剂、分子体系和有机异构体等多个数据集中，E²GNN均优于当前代表性基线模型，同时在计算效率上展现出明显优势。此外，基于E²GNN力场进行的固态、液态和气态体系的分子动力学模拟，其预测精度可达到第一性原理级别。本研究提出的高精度、高效率原子间势能预测模型，有望加速新材料发现、优化现有材料性能，并为材料设计提供更高效的数据驱动工具，助力材料科学计算迈向更精准、更高效的新阶段。