[论文解读] Learning Smooth and Expressive Interatomic Potentials for Physical Property Prediction

Xiang Fu, Brandon M. Wood+5 more|ArXiv.org|Feb 17, 2025

Software Engineering Research被引用 24

一句话总结

该论文认为机器学习原子间势应当守恒能量以实现对物理性质预测的可靠性，提出了执行能量守恒的 eSEN 模型，并在几何优化、声子计算和热导率任务上取得了最先进的结果。

ABSTRACT

Machine learning interatomic potentials (MLIPs) have become increasingly effective at approximating quantum mechanical calculations at a fraction of the computational cost. However, lower errors on held out test sets do not always translate to improved results on downstream physical property prediction tasks. In this paper, we propose testing MLIPs on their practical ability to conserve energy during molecular dynamic simulations. If passed, improved correlations are found between test errors and their performance on physical property prediction tasks. We identify choices which may lead to models failing this test, and use these observations to improve upon highly-expressive models. The resulting model, eSEN, provides state-of-the-art results on a range of physical property prediction tasks, including materials stability prediction, thermal conductivity prediction, and phonon calculations.

研究动机与目标

• 定义 MLIP 为物理性质预测提供可靠性所必需满足的性质（保守力、能量导数连续且有界）。
• 在分子动力学模拟中提出一个能量守恒的评估协议，以超越静态测试集误差来评估 MLIPs。
• 介绍并验证 eSEN 架构，在多项物理性质基准测试中实现更优性能。
• 展示测试集能量 MAE 与保守模型下游性质预测性能之间的相关性.

提出的方法

• 制定能量守恒准则并通过高阶导数有界性将其与势能面（PES）的光滑性联系起来。
• 开发 eSEN，一个 2 层的 edgewise/nodewise 等变网络，预测每原子能量并通过反向传播导出力。
• 使用带包络函数的 edgewise SO2 等变卷积，以确保能量景观的平滑。
• 在 nodewise 处理时避免离散网格离散化，以保持精确的等变性和守恒。
• 进行设计消融实验（直接力对比保守、邻居限制、包络、基底大小）以研究能量守恒。
• 先以直接力模型进行预训练，再进行保守微调以提升优化效率。

实验结果

研究问题

• RQ1 在 MD 模拟中守恒能量的 MLIPs 是否能更好地将测试集误差与物理性质预测相关联？
• RQ2 哪些设计选择对 MLIPs 的能源守恒和 PES 光滑性影响最大？
• RQ3 eSEN 模型是否在几何优化、声子计算和热导率任务上实现了最先进的性能？

主要发现

• 能量守恒的 MLIPs 显示出测试误差与物理性质性能之间的相关性比非保守模型更强。
• eSEN 模型在材料稳定性（Matbench-Discovery F1=0.831, kappa_SRME=0.321）和 MDR Phonon 基准测试上取得了最先进的结果。
• eSEN 在 SPICE-MACE-OFF 数据集的能量/力 MAE 上达到最佳表现，且参数量紧凑。
• 直接力预测提高了预训练效果但在 MD 中导致能量漂移，强调需要保守的力预测。
• 包络函数和非离散化的等变处理提高了能量守恒和 PES 光滑性。
• 保守模型在测试误差与声子相关性质（如振动熵 MAE）之间显示出更强的相关性。