统计>机器学习
标题: E(3)-等变原子中心原子间势的设计空间
摘要: 过去几年来,机器学习原子间势的快速发展产生了许多新的体系结构。 其中特别值得注意的是原子簇扩展(ACE),它统一了许多关于基于原子密度的描述符的早期思想,以及神经等变原子间电位(NequIP),这是一种具有等变特征的消息传递神经网络,显示出最先进的准确性。 在这项工作中,我们构建了一个统一这些模型的数学框架:ACE是通用的,因此可以将其重新构建为多层架构的一层。 从另一个角度来看,NequIP的线性化版本被理解为更大多项式模型的特定稀疏化。 我们的框架还提供了一个实用的工具,用于系统地探索统一设计空间中的不同选择。 我们通过对NequIP的消融研究,通过一组实验来证明这一点,这些实验着眼于域内和域外精度以及远离训练数据的平滑外推,并阐明了实现高精度的关键设计选择。 最后,我们介绍了BOTNet(Body-Ordered-Tensor-Network),它是NequIP的一个简化版本,具有可解释的体系结构,并在基准数据集上保持准确性。