[논문 리뷰] Equivariant Interatomic Potentials without Tensor Products

Thiago Reschützegger, Sarp Aykent외 6명|arXiv (Cornell University)|2026. 01. 21.

Machine Learning in Materials Science인용 수 0

한 줄 요약

Geodite는 텐서 곱(Product) 없이도 등가 변환 가능한 상호원자 포텐셜로, 정확도에서 선두의 MLIP들과 맞먹으면서 3–5배 더 빠르게 작동하여 대규모 물리적 faithful 시뮬레이션을 가능하게 한다. 이는 MPtrj에서 학습되었고 Matbench Discovery 및 MDR를 포함한 벤치마크에서 검증되었다.

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 $3 ext{--}5 imes$ 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.

연구 동기 및 목표

• 비용이 많이 드는 Clebsch–Gordan 텐서 곱을 피하면서도 효율적인 등가 MLIPs의 필요성
• Geodite를 소개한다, 텐서-프로덕트-프리 아키텍처로 매끄러운 PES와 짧은 범위 반발에 대한 물리적 사전 지식을 갖춘
• MPtrj에서 학습된 Geodite-MP가 안정성, 포논, 및 MD 벤치마크에서 경쟁력을 보임을 시연한다
• 대규모 시뮬레이션에서 정확도를 유지하면서 비슷한 모델 대비 상당한 속도 향상(3–5×)을 보임을 제시한다.

제안 방법

• Geodite는 O(3) 등가성을 보존하기 위해 Clebsch–Gordan 텐서 곱을 피하는 등가 메시지-패싱 네트워크이다.
• 특징 초기화에는 보셀(voxel)-유사 원자 임베딩, 원자 쌍에서의 스칼라 엣지 특징, 부드러운 컷오프를 갖는 거리 인지 반경 임베딩이 포함된다.
• 상호작용 블록은 수정된 셀프 어텐션과 공간 필터링을 결합하여 불변 및 방향성 노드 특징을 등가 메시지로 업데이트한다.
• 등가 커플링 블록은 불변 특징과 방향성 특징이 정보를 교환하도록 허용하며, 간선 업데이트는 노드 특징과의 내적을 통해 표현을 정제한다.
• 물리적 사전은 고립 원자 극한을 위한 진공 임베딩, 짧은 범위 동작을 강제하는 감쇠 기반의 매끄러운 컷오프, 학습 가능한 스크리닝을 갖춘 ZBL 유사 짧은 범위 반발, 학습 안정화를 위한 밀도 기반 정규화를 통해 통합된다.
• 예상 에너지는 원자 기여의 합으로 얻어지며; 힘은 보존을 보장하기 위해 자동 미분으로 유도된다.

실험 결과

연구 질문

• RQ1 텐서-프로덕트-프리 등가 아키텍처가 CG 기반 MLIP의 정확도에 필적하거나 초과하여 무기재 물질 벤치마크에서 성능을 낼 수 있는가?
• RQ2 물리적 사전(매끄러움, 짧은 범위 반발, 올바른 점근적 거동)이 Geodite-MP의 PES 품질과 MD 안정성에 어떤 영향을 미치는가?
• RQ3 텐서-프로덕트 기반 동료들과 비교했을 때 Geodite-MP를 사용하는 대규모 시뮬레이션에서 정확도와 계산 효율성 사이의 트레이드오프는 무엇인가?
• RQ4 Geodite-MP가 고차 PES 미분을 포착하고 고체전해질의 긴 MD 궤도에서 안정성을 유지할 수 있는가?

주요 결과

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-MP는 Matbench Discovery에서 경쟁력 있는 정확도를 달성하며, F1 약 0.771 및 κ_SRME ≈ 0.499를 기록하고 파라미터 수가 적고 Lmax = 2, 6 Å 컷오프를 사용한다.
• Geodite-MP는 NequIP-MP-L보다 약 3배, Allegro-MP-L보다 약 2.5배 빠르고, 일부 베이스라인보다 약 5배 빠른 원자당, 스텝당 추론 속도를 크게 가속화한다.
• 이원자 및 PES 매끄러움 지표에서 Geodite-MP는 우수하거나 최상위 근처의 점수를 달성하며 매끄러운 결합 곡선과 ZBL 유사 항에 의해 지배되는 효과적인 짧은 범위 반발을 보인다.
• 49개의 고체 전해질에 걸친 1 ns MD 시뮬레이션은 AIMD 구조에 높은 충실도를 보이며, RDF 중첩 평균은 약 0.958로 최상위 모델과 비슷하지만 훨씬 빠르게 달성된다(일부 동료 대비 수일이 아닌 5시간 이내).
• Geodite-MP는 다양한 온도에서 안정성을 유지하고 국부 구조를 정확하게 재현하며 신뢰할 수 있는 장시간 실행 성능을 보여준다.