[论文解读] 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 0

一句话总结

GeoOpt-Net 是一个多分支的 SE(3) 等变几何细化网络，能够在单次前向传播（B3LYP/TZVP）下从低成本的构象得到与 DFT 质量相当的几何结构，通过两阶段多保真训练和 FAFM 标定。

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.

研究动机与目标

• 在一次前向传播中将便宜的初始构象桥接到高精度的 DFT 几何（B3LYP/TZVP）。
• 开发一个多分支的 SE(3) 等变架构，解耦键长、角度和二面角以实现鲁棒的细化。
• 利用两阶段的多保真训练策略与保真度感知特征调制，对不同理论水平的几何进行标定。
• 展示在大规模、药物样分子上提升 DFT 收敛概率并减少总时长。

提出的方法

• 使用三通道的 SE(3) 等变图来编码成对距离、夹角和扭角，作为不变特征和定向特征。
• 用 Transformer 解码，在单次前向传播中产生 SE(3) 等变的坐标更新。
• 分两阶段训练：先在 B3LYP/6-31G(2df,p) 上进行预训练，再在 B3LYP/TZVP 上微调，并进行保真度感知特征调制（FAFM）。
• 采用将全局笛卡尔 RMSD 与键长/角度/二面角误差以及键长范围约束结合在一起的综合损失函数。
• 通过 rotate-then-predict 与 predict-then-rotate 的等变性测试进行验证，并确认数值精度达到 1e-5 Å 级别。

实验结果

研究问题

• RQ1 单次前向传播、SE(3) 等变模型能将任意初始构象细化到 B3LYP/TZVP 质量的几何吗？
• RQ2 两阶段多保真训练结合 FAFM 能否实现跨不同电子结构水平的可迁移、理论感知的标定？
• RQ3 几何细化是否能转化为改进的 DFT 收敛速率并在大分子药物样本中保持电子可观测量？
• RQ4 GeoOpt-Net 相对于力场、半经验方法及其他 ML 细化基线在几何和能量精度方面的表现如何？
• RQ5 该方法在分子大小和复杂度超出训练分布时是否也具鲁棒性？

主要发现

• GeoOpt-Net 相对于 B3LYP/TZVP 参考，获得亚毫安-Å 级的全原子 RMSD。
• 单次前向细化在 B3LYP/TZVP 下的 ΔE 偏差接近于零，几何准确性高。
• GeoOpt-Net 的初始几何在 DFT 收敛率上高于基线（loose: 65.0%， default: 33.4%，而基线为 0%）。
• GeoOpt-Net 显著降低 DFT 重新优化所需的迭代步数和总时长。
• 二面角误差降低 1–2 个数量级，显著提升构象准确性。
• 由 GeoOpt-Net 几何得到的偶极矩与 DFT 参考值的偏差在 0.002 Debye 内，优于基线（-0.369 到 -0.498 Debye 的偏差）。
• 对于大分子复杂度的多数分子，能量差 ΔE 保持在 0.1 kcal/mol 以下，并呈现平滑的尺度增长。