[논문 리뷰] MACE-POLAR-1: A Polarisable Electrostatic Foundation Model for Molecular Chemistry

Ilyes Batatia, William J. Baldwin외 11명|arXiv (Cornell University)|2026. 02. 23.

Machine Learning in Materials Science인용 수 0

한 줄 요약

MACE-POLAR-1을 소개한다. 이는 MACE를 확장하여 장거리 유도와 Fukui-function 기반의 전하/스핀 평형화를 도입함으로써 가변 전하/스핀 상태와 비국소 상호작용을 정확히 모델하는 극분극 가능한 전기정적 기초 모델이다.

ABSTRACT

Accurate modelling of electrostatic interactions and charge transfer is fundamental to computational chemistry, yet most machine learning interatomic potentials (MLIPs) rely on local atomic descriptors that cannot capture long-range electrostatic effects. We present a new electrostatic foundation model for molecular chemistry that extends the MACE architecture with explicit treatment of long-range interactions and electrostatic induction. Our approach combines local many-body geometric features with a non-self-consistent field formalism that updates learnable charge and spin densities through polarisable iterations to model induction, followed by global charge equilibration via learnable Fukui functions to control total charge and total spin. This design enables an accurate and physical description of systems with varying charge and spin states while maintaining computational efficiency. Trained on the OMol25 dataset of 100 million hybrid DFT calculations, our models achieve chemical accuracy across diverse benchmarks, with accuracy competitive with hybrid DFT on thermochemistry, reaction barriers, conformational energies, and transition metal complexes. Notably, we demonstrate that the inclusion of long-range electrostatics leads to a large improvement in the description of non-covalent interactions and supramolecular complexes over non-electrostatic models, including sub-kcal/mol prediction of molecular crystal formation energy in the X23-DMC dataset and a fourfold improvement over short-ranged models on protein-ligand interactions. The model's ability to handle variable charge and spin states, respond to external fields, provide interpretable spin-resolved charge densities, and maintain accuracy from small molecules to protein-ligand complexes positions it as a versatile tool for computational molecular chemistry and drug discovery.

연구 동기 및 목표

• 분자 시스템에서 장거리 전기정적 상호작용과 유도를 정확히 포착하는 물리 정보 기반의 기초 모델을 개발한다.
• 스케일 가능한 MLIP 프레임워크 내에서 가변 전하 및 스핀 상태와 외부 전기장에 대한 반응을 가능하게 한다.
• 다양한 화학 영역에서 높은 정확성을 달성하면서도 계산 효율성과 학습 실용성을 유지한다.

제안 방법

• 장거리 유도에 대한 비자기일관장(Non-self-consistent) 필드 형식으로 MACE 아키텍처를 확장한다.
• 장거리 상호작용의 조감으로서 학습 가능한 스핀-전하 밀도를 도입한다.
• 전역 컨볼루션 및 로컬 업데이트를 통해 스핀-전하 다중극을 반복적으로 정제한 뒤, 학습 가능한 Fukui 함수를 사용하여 총 전하와 스핀을 평형화한다.
• 스핀-전하 밀도로부터 전기정적 포텐셜을 원자 중심 가우시안 기저에 투사하여 비국소 전기정적 특징을 얻는다.
• 로컬 기하와 스핀-전하/전기정적 특징으로부터 학습된 비국소 에너지 항을 포함한다.
• 해석적으로 구할 수 있는 가우시안 기저 변환을 이용해 스멜된 다중극으로부터 전기정에너지를 계산한다.

실험 결과

연구 질문

• RQ1 장거리 전기정학 및 유도를 ML 기반 원자 간 포텐셜에 어떻게 효율성을 보존하면서 도입할 수 있는가?
• RQ2 학습 가능한 스핀 해상 전하 밀도와 Fukui 함수 기반의 평형화가 가변 전하 및 스핀 상태를 정확히 처리할 수 있는가?
• RQ3 분자 결정구조 및 단백질-리간드 상호작용과 같은 도전적 벤치마크에서 명시적 장거리 전기정의 영향은 무엇인가?
• RQ4 용액 내의 충전 종, 전이 금속 및 산화환원 화학에서의 모델 성능은 어떠한가?

주요 결과

• 명시적 장거리 전기정은 충전된 시스템 및 비공유결합 복합체의 기술적 설명을 크게 개선한다.
• 모델은 분자 결정 격자 에너지 및 단백질–리간드 결합과 같은 도전적 벤치마크에서 최첨단 정확도를 달성한다.
• 장거리 상호작용의 포함은 비전하 기반 모델에 비해 초분자 복합체 및 단백질–리간드 상호작용에서 큰 개선을 이끈다.
• 모델은 가변 전하 및 스핀 상태를 처리하고 외부장에 반응하는 해석 가능한 스핀-해상 전하 밀도를 제공한다.
• 작은 분자에서 단백질–리간드 복합체에 이르는 성능 범위를 커버하여 약물 발견 및 생체 시뮬레이션 응용에 기여한다.