最小限の時間情報で分子力場を改善する

要旨: 3D分子システムに対するエネルギーと力の正確な予測は、Science向けAIアプリケーションの中核にある基本的な課題の1つである。多くの強力でデータ効率の高いニューラルネットワークは、単一の原子配置（single atomic configuration）から分子エネルギーと力を予測する。しかし、このようなモデルを学習する際、データ生成プロセスにおける1つの重要な側面がほとんど考慮されないことがある。すなわち分子動力学（MD）シミュレーションである。MDシミュレーションは、エネルギーが揺らぎ、ポテンシャルエネルギー面の領域を探索する、時間順に並んだ原子位置の軌跡（trajectory）を生成する（例えば、標準的なNVE/NVTアンサンブルのもとでは）。これは、幾何学緩和（geometry relaxations）のように、最小値へ向けてポテンシャルエネルギーを着実に下げるように構築されるのとは対照的である。本研究では、利用可能なMDデータを活用して、この種の予測器の性能を向上させるための新しい方法を探究する。MD軌跡内の時間的関係を活用するための補助損失関数を用いる、新しい学習戦略FRAMESを提案する。直感に反するが、2原子（atomistic）のベンチマークと合成システムの2つにおいて、連続する2つのフレームのみを捉えるという、最小限の時間情報であることが、しばしば最良の性能を得るのに十分であることを観察する。一方で、より長い軌跡シーケンスを追加すると冗長性が生じ、性能が低下し得る。広く用いられているMD17およびISO17ベンチマークでは、FRAMESはそのEquiformerベースラインを大きく上回り、エネルギーおよび力の両方において非常に競争力の高い結果を達成する。私たちの研究は、モデル精度を向上させる新しい学習戦略を提示するだけでなく、原子系の物理的な事前知識（physical priors）を蒸留する際には、より多くの時間データが必ずしも良いとは限らないことを示す証拠も提供する。