FeNNol: an Efficient and Flexible Library for Building Force-field-enhanced Neural Network Potentials

要約

ニューラルネットワーク原子間ポテンシャル(NNP)は、複雑な分子系を正確にモデリングする強力なツールであると同時に、ab-initio分子動力学シミュレーションの高い数値計算コストを回避できることが近年証明されている。近年、機械学習(ML)と、より伝統的な、物理的動機に基づく力場相互作用を組み合わせたハイブリッドモデルの開発とともに、モデルアーキテクチャの数多くの進歩により、MLポテンシャルの設計空間が大幅に拡大した。本論文では、力場強化ニューラルネットワークポテンシャルの構築、トレーニング、実行のための新しいライブラリFeNNolを紹介する。FeNNolは、ハイブリッドモデルを構築するための柔軟でモジュール化されたシステムを提供し、明示的なプログラミングを行うことなく、最先端のエンベッディングとMLパラメータ化された物理的相互作用項を簡単に組み合わせることができる。さらにFeNNolは、Jax Pythonライブラリの自動微分機能とジャストインタイムコンパイル機能を活用して、NNPの高速評価を可能にし、MLポテンシャルと標準的な力場の性能差を縮める。これは、一般的なANI-2xモデルがコモディティGPU（GPU=グラフィック・プロセッシング・ユニット）上でAMOEBA分極性力場とほぼ同等のシミュレーション速度に達したことで実証されています。FeNNolが、幅広い分子シミュレーション問題に対する新しいハイブリッドNNPアーキテクチャの開発と応用を促進することを期待している。

要約(オリジナル)

Neural network interatomic potentials (NNPs) have recently proven to be powerful tools to accurately model complex molecular systems while bypassing the high numerical cost of ab-initio molecular dynamics simulations. In recent years, numerous advances in model architectures as well as the development of hybrid models combining machine-learning (ML) with more traditional, physically-motivated, force-field interactions have considerably increased the design space of ML potentials. In this paper, we present FeNNol, a new library for building, training and running force-field-enhanced neural network potentials. It provides a flexible and modular system for building hybrid models, allowing to easily combine state-of-the-art embeddings with ML-parameterized physical interaction terms without the need for explicit programming. Furthermore, FeNNol leverages the automatic differentiation and just-in-time compilation features of the Jax Python library to enable fast evaluation of NNPs, shrinking the performance gap between ML potentials and standard force-fields. This is demonstrated with the popular ANI-2x model reaching simulation speeds nearly on par with the AMOEBA polarizable force-field on commodity GPUs (GPU=Graphics processing unit). We hope that FeNNol will facilitate the development and application of new hybrid NNP architectures for a wide range of molecular simulation problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL