TorchMD-Net 2.0: Fast Neural Network Potentials for Molecular Simulations

要約

分子シミュレーションにおける計算速度、予測精度、普遍的な適用性の間のバランスを達成することは、永続的な課題です。
この論文では、TorchMD-Net ソフトウェアの大幅な進歩について説明します。これは、従来の力場からニューラル ネットワーク ベースのポテンシャルへの移行における極めて重要な前進です。
TensorNet などの最先端のアーキテクチャを組み込んだ、TorchMD-Net のより包括的で汎用性の高いフレームワークへの進化が強調されています。
この変革はモジュール設計アプローチを通じて実現され、科学コミュニティ内でカスタマイズされたアプリケーションを促進します。
最も注目すべき機能強化は、計算効率の大幅な向上であり、TensorNet モデルのエネルギーと力の計算において非常に顕著な加速を達成し、以前の反復と比較して 2 倍から 10 倍の範囲のパフォーマンス向上を達成しました。
その他の機能強化には、周期境界条件をサポートする高度に最適化された近傍検索アルゴリズムや、既存の分子動力学フレームワークとのスムーズな統合が含まれます。
さらに、更新されたバージョンでは、物理的な事前分布を統合する機能が導入され、その応用範囲と研究における有用性がさらに強化されました。
このソフトウェアは https://github.com/torchmd/torchmd-net から入手できます。

要約(オリジナル)

Achieving a balance between computational speed, prediction accuracy, and universal applicability in molecular simulations has been a persistent challenge. This paper presents substantial advancements in the TorchMD-Net software, a pivotal step forward in the shift from conventional force fields to neural network-based potentials. The evolution of TorchMD-Net into a more comprehensive and versatile framework is highlighted, incorporating cutting-edge architectures such as TensorNet. This transformation is achieved through a modular design approach, encouraging customized applications within the scientific community. The most notable enhancement is a significant improvement in computational efficiency, achieving a very remarkable acceleration in the computation of energy and forces for TensorNet models, with performance gains ranging from 2-fold to 10-fold over previous iterations. Other enhancements include highly optimized neighbor search algorithms that support periodic boundary conditions and the smooth integration with existing molecular dynamics frameworks. Additionally, the updated version introduces the capability to integrate physical priors, further enriching its application spectrum and utility in research. The software is available at https://github.com/torchmd/torchmd-net.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google