[论文解读] Symmetry-invariant quantum machine learning force fields

Isabel Nha Minh Le, Oriel Kiss+3 more|arXiv (Cornell University)|Nov 19, 2023

Machine Learning in Materials Science参考文献 52被引用 6

一句话总结

本文通过将旋转、平移和置换不变性等物理对称性直接嵌入变分量子线路，提出了一种对称性不变的量子机器学习模型，用于分子力场。该方法提升了模型的可训练性和泛化能力，在LiH、H₂O及H₂O二聚体体系中优于通用量子模型，标志着向可扩展的从头算分子动力学量子机器学习迈出了重要一步。

ABSTRACT

Machine learning techniques are essential tools to compute efficient, yet accurate, force fields for atomistic simulations. This approach has recently been extended to incorporate quantum computational methods, making use of variational quantum learning models to predict potential energy surfaces and atomic forces from ab initio training data. However, the trainability and scalability of such models are still limited, due to both theoretical and practical barriers. Inspired by recent developments in geometric classical and quantum machine learning, here we design quantum neural networks that explicitly incorporate, as a data-inspired prior, an extensive set of physically relevant symmetries. We find that our invariant quantum learning models outperform their more generic counterparts on individual molecules of growing complexity. Furthermore, we study a water dimer as a minimal example of a system with multiple components, showcasing the versatility of our proposed approach and opening the way towards larger simulations. Our results suggest that molecular force fields generation can significantly profit from leveraging the framework of geometric quantum machine learning, and that chemical systems represent, in fact, an interesting and rich playground for the development and application of advanced quantum machine learning tools.

研究动机与目标

• 解决变分量子机器学习模型（VQLMs）在分子模拟中可训练性和可扩展性有限的问题。
• 通过将物理对称性作为归纳偏置嵌入，克服量子模型在泛化方面的挑战。
• 开发对分子对称性（如旋转、平移和粒子置换）天然不变的量子神经网络。
• 在包括单分子和二聚体在内的日益复杂的分子体系上，展示对称性不变VQLMs的有效性。
• 建立一个利用几何量子机器学习原理解决化学相关问题的量子机器学习框架。

提出的方法

• 设计在分子对称性群（包括SO(3)表示旋转，S_n表示粒子置换）下协变的量子神经网络ansätze。
• 使用旋转和转移不变的原子描述符作为输入，构建对称性不变的数据编码。
• 实现具有对称性保持的纠缠门层和参数化单量子比特旋转的变分量子线路。
• 使用成本函数，强制预测能量和力在对称变换下保持不变。
• 使用密度泛函理论（DFT）生成的从头算数据进行训练，以学习势能面和原子受力。
• 通过群表示理论中的技术，对量子线路的幺正演化施加群协变变换，确保不变性。

实验结果

研究问题

• RQ1 在量子机器学习模型中将物理对称性作为归纳偏置，是否能提升其在分子力场预测中的可训练性和泛化能力？
• RQ2 对称性不变的量子模型在预测小分子的势能面和原子受力方面，与通用VQLMs相比表现如何？
• RQ3 对称性不变的VQLMs在多组分系统（如分子二聚体）中能实现多大程度的泛化？
• RQ4 几何量子机器学习原理对量子化学应用中量子模型性能有何影响？
• RQ5 对称性不变的量子线路是否能缓解“ barren plateau ”问题并提升量子机器学习中的优化收敛性？

主要发现

• 在LiH和H₂O分子上，对称性不变的量子模型在训练稳定性和预测精度方面均优于通用VQLMs。
• 由于对称性约束减少了有效参数空间，模型实现了更低的损失和更快的收敛速度。
• 在水二聚体体系中，对称性不变方法成功以高保真度捕捉了分子间相互作用，证明了其在多组分体系中的可扩展性。
• 引入置换不变性显著提升了模型在不同分子构象间的泛化能力。
• 模型对输入扰动表现出鲁棒性，并在对称操作下保持预测力和能量的不变性。
• 该框架在集成到分子动力学模拟方面展现出强大潜力，可实现高效且精确的力场生成。