機械学習インタ原子ポテンシャルのための動的注意を備えたユニバーサルで効率的なグラフニューラルネットワーク

arXiv cs.LG / 2026/3/25

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文では、従来のMLIPモデルよりも高い効率性と安定性を備えつつ、量子に近い精度を目指すための、機械学習インタ原子ポテンシャル向けグラフニューラルネットワークフレームワーク「MLANet」を提案する。
幾何学に応じたメッセージパッシングを可能にするデュアルパスの動的注意機構と、原子系のより豊かな表現を形成するマルチパースペクティブ（多視点）プーリング戦略を導入する。
有機分子、周期的な無機結晶、2次元材料、触媒表面反応、荷電系など、多様なベンチマークデータセットにわたる実験により、競争力のある予測精度が示される。
著者らは、主流の同変モデルに比べて計算コストが大幅に低いことを報告し、この手法によって可能になる安定な長時間分子動力学シミュレーションの結果を示す。

Abstract

分子動力学シミュレーションの中核は、原子間ポテンシャルに本質的にあります。従来の経験的ポテンシャルは精度に欠ける一方で、第一原理手法は計算コストが非常に高く実行が困難です。機械学習による原子間ポテンシャル（MLIP）は、線形コストで量子に近い精度を実現すると期待されていますが、既存のモデルはいまだ効率性と安定性の面で課題を抱えています。私たちは、高効率かつ頑健なグラフニューラルネットワークの枠組みである機械学習アドバンス神経ネットワーク（MLANet）を提案します。MLANetは、幾何情報に基づくメッセージパッシングのためのデュアルパス動的アテンション機構と、包括的なシステム表現を構築するためのマルチパースペクティブ・プーリング戦略を導入します。この設計により、原子環境の高精度なモデリングを実現しつつ、優れた計算効率も達成できます。その結果、高忠実度なシミュレーションをより身近なものにします。有機分子（例：QM7、MD17）、周期的な無機材料（例：Liを含む結晶）、二次元材料（例：積層グラフェン、黒リン）、表面触媒反応（例：ギ酸塩の分解）、電荷を持つ系など、多様な系を対象とする幅広いデータセットにわたって検証したところ、MLANetは計算コストが主流の同変モデルに比べて大幅に低いにもかかわらず、競争力のある予測精度を維持し、さらに安定した長時間の分子動力学シミュレーションを可能にします。MLANetは、大規模かつ高精度な原子シミュレーションのための効率的で実用的なツールを提供します。