[论文解读] Completeness of Atomic Structure Representations

Jigyasa Nigam, Sergey N. Pozdnyakov+2 more|arXiv (Cornell University)|Feb 28, 2023

Machine Learning in Materials ScienceMaterials Science参考文献 56被引用 3

一句话总结

本文提出了一种基于有限阶三体相关性的新型对称性自适应描述符，以实现原子结构表征的完备性，克服了传统密度相关方法的局限性。该方法仅通过邻居离散化分辨率控制收敛性，即可实现原子性质的通用近似，成功区分了现有模型无法分辨的简并构型。

ABSTRACT

In this paper, we address the challenge of obtaining a comprehensive and symmetric representation of point particle groups, such as atoms in a molecule, which is crucial in physics and theoretical chemistry. The problem has become even more important with the widespread adoption of machine-learning techniques in science, as it underpins the capacity of models to accurately reproduce physical relationships while being consistent with fundamental symmetries and conservation laws. However, some of the descriptors that are commonly used to represent point clouds -- most notably those based on discretized correlations of the neighbor density, that underpin most of the existing ML models of matter at the atomic scale -- are unable to distinguish between special arrangements of particles in three dimensions. This makes it impossible to machine learn their properties. Atom-density correlations are provably complete in the limit in which they simultaneously describe the mutual relationship between all atoms, which is impractical. We present a novel approach to construct descriptors of \emph{finite} correlations based on the relative arrangement of particle triplets, which can be employed to create symmetry-adapted models with universal approximation capabilities, which have the resolution of the neighbor discretization as the sole convergence parameter. Our strategy is demonstrated on a class of atomic arrangements that are specifically built to defy a broad class of conventional symmetric descriptors, showcasing its potential for addressing their limitations.

研究动机与目标

• 为解决基于邻居密度相关性的广泛使用的原子结构描述符的不完备性问题，这些描述符无法区分非对称相关联的原子排列。
• 开发一种对称性自适应的有限阶描述符，确保在保持计算效率的同时，原子环境表征的完备性。
• 通过从粒子三元组的有限相关性构建完备基集，实现原子性质的通用近似。
• 展示该方法在区分传统模型无法分辨的简并构型方面的能力，即使在微小扰动下亦可实现。
• 为原子建模中的机器学习提供一种可扩展、收敛性可控的深度神经网络替代方案。

提出的方法

• 该方法从粒子三元组的相对排列中构建不变量，形成对称性自适应的原子环境表征的完备基集。
• 使用有限阶相关性（具体为三体相关性）定义描述符，当邻居离散化为有限分辨率时，可证明其完备性。
• 描述符作为三元组构型的对称函数构建，确保在全局平移、旋转以及等价原子置换下保持不变。
• 该方法利用三元组相关性的分层编码，形成仅由邻居离散化分辨率控制收敛性的通用近似器。
• 通过使用简并B8簇的数据库对框架进行验证，比较线性和非线性模型在不同特征集上的性能。
• 采用两阶段训练流程：首先从三元组描述符中学习高阶特征（如 $\rho_i^{igotimes 7}$），然后从这些特征预测能量。

实验结果

研究问题

• RQ1 基于粒子三元组的有限阶相关性描述符能否在表征原子结构时实现完备性，区分所有非对称等价的构型？
• RQ2 所提出的描述符与基于传统密度相关性的描述符相比，在区分简并原子排列方面表现如何？
• RQ3 该描述符在通过离散化分辨率控制收敛性的前提下，能在多大程度上支持原子性质的通用近似？
• RQ4 当应用于高度对称的简并簇（如B8）时，该方法是否保持数值稳定性和准确性？
• RQ5 该描述符能否在数据驱动模型中高效实现，而无需依赖无限深度的网络？

主要发现

• 所提出的基于三元组的描述符在原子结构表征中实现了完备性，成功区分了在传统一阶和二阶描述符下呈现简并的构型。
• 该方法仅通过邻居离散化分辨率控制收敛性，即可实现原子性质的通用近似，消除了对无限网络深度的需求。
• 在三元组描述符上进行训练，使非线性模型（A$_{\text{NL}}$）在简并B8对能量差上的相对误差降低至0.0481，而仅使用 $\nu=1$ 特征的模型（B$_{\text{NL}}$）相对误差为1.00。
• 在高阶特征（$\rho_i^{igotimes 7}$）上训练的非线性模型，其在简并对能量上的相对训练误差达到0.001，表现出高度的准确性和稳定性。
• 该方法在解决结构简并性方面优于传统方法，最佳模型（A$_{\text{NL}}^\rho$）在简并对之间特征差值的相对误差降低至0.125。
• 结果证实，三元组相关性为传统密度相关方法在原子系统机器学习中提供了一种完整、可扩展且高效的替代方案。