[论文解读] Equivariant Interatomic Potentials without Tensor Products

Thiago Reschützegger, Sarp Aykent+6 more|arXiv (Cornell University)|Jan 21, 2026

Machine Learning in Materials Science被引用 0

一句话总结

Geodite 是一种无张量乘积的等变互变网络，与主流MLIP在准确性上相当，同时推理速度提高3–5倍，适用于材料建模的MPtrj数据集。

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.

研究动机与目标

• 说明需要高效的等变MLIP以避免代价高昂的Clebsch–Gordan张量乘积。
• 引入Geodite，一种具有物理先验的无张量乘积架构，支持平滑的势能面和短程排斥。
• 展示Geodite-MP在MPtrj上的训练，在稳定性、声子与分子动力学基准测试中具备竞争力。
• 展示在大规模仿真中相较于同类模型的显著加速（3–5×），同时保持准确性。

提出的方法

• Geodite 是一种等变信息传递网络，通过对可转向特征的内积来保持O(3) 等变性，从而避免 Clebsch–Gordan 张量乘积。
• 特征初始化包括体素状的原子嵌入、来自原子对的标量边特征，以及具有平滑截断的距离感知径向嵌入。
• 交互块将修改的自注意力与空间过滤结合起来，以更新不变特征和可转向特征，并产生等变信息。
• 等变耦合块允许不变特征和可转向特征交换信息；边更新通过与节点特征的内积来细化表示。
• 通过真空嵌入实现孤立原子极限的物理先验、基于衰减的平滑截断以保证短程行为、以ZBL为灵感的短程排斥并带有可学习的筛选，以及基于密度的归一化以稳定训练。
• 预测能量通过求和原子贡献获得；力通过自动微分得到以确保守恒。

实验结果

研究问题

• RQ1 一个无张量乘积的等变架构是否能够在无机材料基准上达到或超过基于CG的MLIP的准确性？
• RQ2 物理先验（平滑性、短程排斥、正确的渐近行为）如何影响Geodite-MP的势能面质量与分子动力学稳定性？
• RQ3 在大规模仿真中，相较于张量乘积对手，Geodite-MP在准确性与计算效率之间的权衡如何？
• RQ4 Geodite-MP 是否能够捕捉更高阶的势能面导数并在固态电解质的长时间MD轨迹中保持稳定？

主要发现

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-MP 在 Matbench Discovery 上实现有竞争力的准确性，F1 约为 0.771，κ_SRME 约为 0.499，使用较少的参数、6 Å 截断、Lmax = 2。
• Geodite-MP 提供显著的加速，在每原子、每步推理中大约比 NequIP-MP-L 快3×，比 Allegro-MP-L 快约2.5×，比某些基线快约5×。
• 在二原子与势能面光滑性指标上，Geodite-MP 取得优越或接近顶尖的分数，显示出平滑的结合曲线和以ZBL样项主导的短程排斥。
• 在49种固态电解质上进行1 ns的MD模拟，表明对AIMD结构具有高保真度，RDF 重叠均值约为0.958，接近顶尖模型且速度更快（从几天缩短到不到5小时）。
• Geodite-MP 在不同温度下保持稳定性，并能准确再现局部结构，展现出可靠的长时间尺度性能。