计算模拟和实验研究是当今研究化学，生物学和材料科学的两个重要手段。当前，以机器学习为代表的人工智能技术在科学计算领域潜力巨大，展示出旺盛的生命力和光明前景。本文解读了机器学习在计算化学领域的最新研究，带你速读4篇相关领域的最新顶会论文。
1. 论文题目：So3krates: Equivariant attention for interactions on arbitrary length-scales in molecular systems（NIPS 2022）
链接：https://arxiv.org/pdf/2205.14276.pdf
机器学习方法在量子化学中的应用已经使得许多传统的原位方法无法计算的化学现象能够被研究。由于机器学习力场往往关注局部原子的相互作用，这常常使得长程相互作用被忽视。这篇文章引入球谐坐标系，以反映分子中每个原子的高阶几何信息，使得在欧式空间距离较远却存在长程相互作用的原子在球谐空间得以反映。提出的模型SO3KRATES3 - 基于自我注意力的传递神经网络 - 将几何信息与原子特征解耦，使它们能够被独立地被注意力机制处理。结果表明，SO3KRATES能够描述任意长度尺度上的非局部量子力学效应。而解耦机制的引入，使得该模型在不严重损失精度的前提下，可以得到更好地加速比。
图1：SO3KRATES3 - 基于自我注意力的传递神经网络 - 将几何信息与原子特征解耦以提高加速比
2. 论文题目：EQUIFORMER: EQUIVARIANT GRAPH ATTENTION TRANSFORMER FOR 3D ATOMISTIC GRAPHS（ICLR 2023）
链接：https://arxiv.org/pdf/2206.11990.pdf
尽管Transformer网络在各个领域取得了广泛的成功，但在3D原子图领域，如分子，即使考虑到3D相关的物理约束，如平移不变性和旋转等变性（指的是分子的能量或者受力性质不会随着他们的旋转，平移等变化），它们仍然表现不佳。本文展示了Transformer可以很好地推广到3D原子图，并提出了Equiformer，一种利用Transformer网络并结合基于不可约表示-等变图神经网络。首先，我们通过仅将Transformer网络原始操作替换为它们的等变操作，最小限度地修改Transformer网络。其次，我们提出了一种新型的注意力机制，称为等效图注意力。它通过用多层感知器注意力替换点积注意力并采用非线性消息传递来改进传统的Transformer。通过这两个创新，Equiformer在QM9、MD17和OC20数据集上取得了比以前模型更具竞争力的结果。
图2：Equiformer的网络结构图：它通过用多层感知器注意力替换点积注意力并采用非线性消息传递来改进传统的Transformer
3. 论文题目：Uncertainty-driven dynamics for active learning of interatomic potentials（Nature Computational Science）
链接：https://www.nature.com/articles/s43588-023-00406-5
主动学习（AL）是一种强大的工具，可迭代生成多样化的数据集。
一般来说可以采用委员会质询(query by committee ,QBC)策略和元动力学方法QBC对不确定性的估计是集合内多个模型的不一致性。通常，一个组合中有多个神经网络，它们使用相同的结构和超参数，但在训练之前使用不同的模型参数的初始随机化以及不同的训练/验证数据分割。实验观察到，在集合预测的变异性与实际预测误差之间有良好的相关性，这表明预测任务需要超出训练数据范围的外推。在QBC策略中，如果观察到这种集合变异性很大，则训练集将用新的模拟数据进行扩充。
元动力学是一种有效的势能面探索方法，它基于集体变量(CVs)的概念。通过偏置势的引入可以使分子在研究过程中遵循所选的集体变量路径。通过对偏置势的调整，可以获得更好的势能面信息，从而更准确地描述反应路径。因此，在使用元动力学方法进行反应研究时，偏置势经常被使用，以提高计算的准确性和效率。然而，CV需要手动选择，而且它们的数量在实践中是有限的。选择合理的自由度来表示反应需要直觉，并且可能会导致错误。
在这里，作者开发了一种策略，综合上述方法的优点以更快地发现有意义地扩充训练数据集的构型。这种方法——基于不确定性的主动学习动力学（UDD-AL）——修改了用于分子动力学模拟的势能面，以支持配置空间中存在大的模型不确定性的区域。我们在两个AL任务中展示了UDD-AL的性能：对甘氨酸构象空间进行抽样和对乙酰丙酮中质子转移的促进进行抽样。该方法被证明能够高效地探索化学构型空间，而这可能无法在普通动态采样下实现。
图3：UDD-AL的工作流
4. 论文题目：Equivariant Networks for Crystal Structures （NIPS 2022）
链接：https://arxiv.org/abs/2211.15420
使用深度模型进行有监督学习在材料科学方面具有巨大的应用潜力。最近，图神经网络在这一领域得到广泛应用，直接从分子的模型中受到启发。然而，材料通常比分子更具结构上对称性（晶体有230种空间群，分子只有32种点群），这是这些模型没有利用的特征。在本文中，引入了一类具有晶体对称群等变性的模型。通过定义一般化的消息传递操作来实现这一点，这些操作可以用于更一般的置换群，或者可以看作是在晶体图上定义表达卷积的操作。经验上，这些模型在属性预测任务上取得了与最先进方法相当具有竞争性的结果。
以上四篇论文代表了人工智能在分子动力学领域的最新进展和研究方向，供在这一领域有深耕意向的读者参考。
*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。
发布文章
