[論文レビュー] A Cross-Domain Graph Learning Protocol for Single-Step Molecular Geometry Refinement

Chengchun Liu, Wendi Cai+2 more|arXiv (Cornell University)|Jan 30, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

GeoOpt-Net は、低コストの立体配置から単一のフォワード伝播でDFT品質の幾何を生成する多分岐 SE(3)-等変形幾何補正ネットワークであり、2段階の多忠実性トレーニングと FAFM キャリブレーションを備える。

ABSTRACT

Accurate molecular geometries are a prerequisite for reliable quantum-chemical predictions, yet density functional theory (DFT) optimization remains a major bottleneck for high-throughput molecular screening. Here we present GeoOpt-Net, a multi-branch SE(3)-equivariant geometry refinement network that predicts DFT-quality structures at the B3LYP/TZVP level of theory in a single forward pass starting from inexpensive initial conformers generated at a low-cost force-field level. GeoOpt-Net is trained using a two-stage strategy in which a broadly pretrained geometric representation is subsequently fine-tuned to approach B3LYP/TZVP-level accuracy, with theory- and basis-set-aware calibration enabled by a fidelity-aware feature modulation (FAFM) mechanism. Benchmarking against representative approaches spanning classical conformer generation (RDKit), semiempirical quantum methods (xTB), data-driven geometry refinement pipelines (Auto3D), and machine-learning interatomic potentials (UMA) on external drug-like molecules demonstrates that GeoOpt-Net achieves sub-milli-Å all-atom RMSD with near-zero B3LYP/TZVP single-point energy deviations, indicating DFT-ready geometries that closely reproduce both structural and energetic references. Beyond geometric metrics, GeoOpt-Net generates initial guesses intrinsically compatible with DFT convergence criteria, yielding nonzero ``All-YES'' convergence rates (65.0\% under loose and 33.4\% under default thresholds), and substantially reducing re-optimization steps and wall-clock time. GeoOpt-Net further exhibits smooth and predictable energy scaling with molecular complexity while preserving key electronic observables such as dipole moments. Collectively, these results establish GeoOpt-Net as a scalable, physically consistent geometry refinement framework that enables efficient acceleration of DFT-based quantum-chemical workflows.

研究の動機と目的

• inexpensive な初期立体配置を高精度の DFT 幾何へ一回のフォワード伝播で橋渡しする。
• 結合長・角度・二面角を分離する多分岐 SE(3)-等変アーキテクチャを開発し、堅牢な補正を図る。
• 忠実度を意識した特徴モジュレーションによる二段階の多忠実性トレーニング戦略を用い、理論レベルを跨いだ幾何をキャリブレーションする。
• 大規模で薬物様分子の DFT 収束確率を改善し、実行時間を短縮することを示す。

提案手法

• ペア距離・角度・二面角を不変特徴と方向性特徴としてエンコードする3ストリーム SE(3)-等変グラフを使用する。
• Transformer を用いて単一パスで SE(3)-等変座標更新をデコードする。
• 二段階で学習する：B3LYP/6-31G(2df,p) で事前学習し、FAFM を用いて B3LYP/TZVP でファインチューニングする。
• グローバルCartesian RMSD と結合長/角度/二面角誤差、さらには結合範囲制約を組み合わせた複合損失を用いる。
• 回転後予測と予測後回転のテストで等変性を検証し、数値精度を 1e-5 Å 内で確認する。

実験結果

リサーチクエスチョン

• RQ1 単一パスの SE(3)-等変モデルは任意の初期立体配置を B3LYP/TZVP 品質の幾何に補正できるか？
• RQ2 FAFM を含む二段階・多忠実性トレーニングは異なる電子構造レベル間で移植可能な理論依存キャリブレーションを可能にするか？
• RQ3 幾何補正は大規模な薬物様分子の DFT 収束率と電子観測量を改善するか？
• RQ4 GeoOpt-Net は力場・半経験・他の ML 補正法と比較して幾何・エネルギーの忠実性が向上するか？
• RQ5 分布外の分子サイズ・複雑さに対して方法は頑健か？

主な発見

Metric	Ref (DFT)	GeoOpt-Net	UMA	xTB	Auto3D	RDKit
RMSD (Å) of geometry	0.0001	0.0001? (GeoOpt-Net)	0.5718	1.1529	0.974	0.983
ΔE (kcal/mol)	0.002	0.002	0.625	5.894	2.461	2.466
RMSD (Å)	0.0002	0.0002? (GeoOpt-Net)	1.0337	0.8221	1.041	1.055
ΔE (kcal/mol)	0.003	0.003	3.055	2.880	3.162	3.180
RMSD (Å)	0.0016	0.0016? (GeoOpt-Net)	1.0774	1.2756	1.385	1.388
ΔE (kcal/mol)	0.045	0.045	4.108	6.014	6.114	6.115

• GeoOpt-Net は B3LYP/TZVP 参照に対して全原子 RMSD がサブミリ Å である。
• 単一パスの補正で ΔE の偏差がほぼゼロとなり、幾何が正確であることを示す。
• GeoOpt-Net の初期幾何は baseline よりも高い全 YES DFT 収束率を示す（loose 65.0%、default 33.4%）が、0% の baseline を超える。
• GeoOpt-Net は DFT の再最適化に要するステップ数と wall-clock time を大幅に削減する。
• 二面角誤差は 1–2 桁小さくなり、立体構造の精度向上を大きく促進する。
• GeoOpt-Net によって得られる幾何から計算された双極子モーメントは DFT 参照と 0.002 Debye の範囲で一致し、baseline（−0.369 to −0.498 Debye の偏差）を上回る。
• エネルギー偏差 ΔE は、分子の複雑さが増すにつれてほとんどの分子で 0.1 kcal/mol 未満で、滑らかなスケーリングを示す。