[論文レビュー] Equivariant Interatomic Potentials without Tensor Products

Thiago Reschützegger, Sarp Aykent+6 more|arXiv (Cornell University)|Jan 21, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

Geodite はテンソル積を用いない等変性インタアクションポテンシャルで、先行する MLIP と同等の精度を保ちつつ推論を3–5倍高速化。MPtrj 上で訓練され、Matbench Discovery や MDR を含むベンチマークで検証。

ABSTRACT

Foundational machine-learned interatomic potentials have emerged as powerful tools for atomistic simulations, promising near first-principles accuracy across diverse chemical spaces at a fraction of the cost of quantum-mechanical calculations. However, the most accurate equivariant architectures rely on Clebsch-Gordan tensor products whose computational cost scales steeply with angular resolution, creating a trade-off between model expressiveness and inference speed that ultimately limits practical applications. Here we introduce Geodite, an equivariant message-passing architecture that replaces tensor products while incorporating physical priors to ensure smooth, well-behaved potential energy surfaces. Trained on the Materials Project trajectories dataset of inorganic crystals, Geodite-MP achieves accuracy competitive with leading methods on benchmarks for materials stability prediction, thermal conductivity, phonon-derived properties, and nanosecond-scale molecular dynamics, while running $3\text{--}5\times$ faster than models performing similarly. By combining predictive accuracy, computational efficiency, and physicality, Geodite enables faster large-scale atomistic simulations and high-throughput screening that would otherwise be computationally prohibitive.

研究の動機と目的

• 効率的な等変性 MLIP が Clebsch–Gordan のテンソル積を回避して必要となる理由を動機づける。
• 物理的 priors を備え、滑らかな PES と短距離反発を持つテンソル積フリーのアーキテクチャ Geodite を導入する。
• MPtrj 上で訓練された Geodite-MP が安定性・フォノン・MD ベンチマークで競争力を示すことを実証する。
• 大規模シミュレーションにおいて、同等モデルと比べて 3–5× の速度増加を維持しつつ精度を保つことを示す。

提案手法

• Geodite は Clebsch–Gordan テンソル積を回避する等変的メッセージパッシングネットワークで、steerable 属性の内積を用いて O(3) 等変性を保つ。
• 特徴量の初期化にはボクセル風の原子埋め込み、原子対からのスカラーエッジ特徴、滑らかなカットオフを持つ距離認識型の放射状埋め込みを含む。
• インタラクションブロックは修正自己注意と空間フィルタリングを組み合わせ、等変メッセージを用いて不変特徴と steerable node features を更新する。
• 等変結合ブロックにより不変特徴と steerable 特徴が情報を交換可能となり、エッジの更新はノード特徴との内積で表現を refined する。
• 物理 priors は、孤立原子極限の真空埋め込み、短距離挙動を強制する減衰ベースの滑らかなカットオフ、学習可能なスクリーニングを備えた ZBL-風の短距離反発、トレーニングを安定化させる密度ベース正規化によって統合される。
• 予測エネルギーは原子寄与の総和として得られ、力は保存を保証する自動微分から生じる。

実験結果

リサーチクエスチョン

• RQ1 テンソル積フリーの等変アーキテクチャは、無機材料ベンチマークにおいて CG ベースの MLIP と同等またはそれ以上の精度を達成できるか。
• RQ2 物理 priors（滑らかさ、短距離反発、正しい漸近挙動）は Geodite-MP の PES 品質と MD の安定性にどのように影響するか。
• RQ3 Geodite-MP を用いた大規模シミュレーションにおける精度と計算効率のトレードオフはテンソル積ベースの counterparts と比べてどうなるか。
• RQ4 Geodite-MP は高次の PES 微分を捉え、固体電解質の長期 MD 軌道で安定性を維持できるか。

主な発見

Model	#Params (M)	r_max	CPS ↑	Accuracy ↑	F1 ↑	DAF ↑	Prec ↑	MAE ↓	R2 ↑	κ_SRME ↓	RMSD ↓
eSEN-30M-MP	30.1	6	0.797	0.946	0.831	5.260	0.804	0.033	0.822	0.340	0.075
Eqnorm MPtrj	1.31	6	0.756	0.929	0.786	4.844	0.741	0.040	0.799	0.408	0.084
Nequix-MP-L	0.708	6	0.729	0.914	0.751	4.455	0.681	0.044	0.782	0.446	0.085
NequIP-MP-L	9.6	6	0.733	0.921	0.761	4.704	0.719	0.043	0.791	0.452	0.086
Allegro-MP-L	5.00	6	0.720	0.915	0.751	4.516	0.690	0.044	0.778	0.504	0.082
DPA-3.1-MPtrj	4.81	6	0.718	0.936	0.803	5.024	0.768	0.037	0.812	0.650	0.080
SevenNet-l3i5	1.17	5	0.714	0.920	0.760	4.629	0.708	0.044	0.776	0.550	0.085
MACE-MP-0	4.69	6	0.644	0.878	0.669	3.777	0.577	0.057	0.697	0.647	0.091
eqV2 S DeNS	31.2	12	0.522	0.941	0.815	5.042	0.771	0.036	0.788	1.676	0.076
Geodite-MP	3.6	6	0.728	0.925	0.771	4.771	0.729	0.041	0.806	0.499	0.086

• Geodite-MP は Matbench Discovery で競争力のある精度を達成し、F1 は約 0.771、κ_SRME は ≈ 0.499、Lmax = 2, カットオフ 6 Å でパラメータ数が少なくなる。
• Geodite-MP は大幅な速度向上を実現し、NequIP-MP-L より約3×、Allegro-MP-L より約2.5×、一部のベースラインよりも約5×、1原子ごと・1ステップあたりの推論で高速。
• diatomic および PES の滑らかさ指標で Geodite-MP は優位またはほぼトップクラスのスコアを達成し、滑らかな結合曲線と ZBL 類似の項が主として短距離反発を支配。
• 49 種の固体電解質に対する 1 ns MD シミュレーションは AIMD 構造に高い忠実性を示し、 RDF 重なり平均は約 0.958、トップモデルと同等ながら非常に高速で、日数を要する peers に対して数時間未満で完了。
• Geodite-MP は温度変動に対して安定性を維持し、局所構造を正確に再現、長時間スケールでの信頼性の高い性能を示す。