Latent Ewald summation for machine learning of long-range interactions

要約

機械学習の原子間ポテンシャル (MLIP) では、静電力や分散力などの長距離相互作用が無視されることがよくあります。
この研究では、局所的な原子記述子から潜在変数を学習し、この変数に Ewald 総和を適用することにより、長距離相互作用を説明する簡単で効率的な方法を紹介します。
我々は、荷電、極性、または無極性の分子二量体、バルク水、および水蒸気界面を含むシステムでは、標準的な短距離 MLIP が、メッセージ パッシングを採用している場合でも非物理的な予測につながる可能性があることを実証します。
長距離モデルはこれらのアーティファクトを効果的に排除し、計算コストは​​短距離 MLIP の約 2 倍にすぎません。

要約(オリジナル)

Machine learning interatomic potentials (MLIPs) often neglect long-range interactions, such as electrostatic and dispersion forces. In this work, we introduce a straightforward and efficient method to account for long-range interactions by learning a latent variable from local atomic descriptors and applying an Ewald summation to this variable. We demonstrate that in systems including charged, polar, or apolar molecular dimers, bulk water, and water-vapor interface, standard short-ranged MLIPs can lead to unphysical predictions even when employing message passing. The long-range models effectively eliminate these artifacts, with only about twice the computational cost of short-range MLIPs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google