Learning Smooth and Expressive Interatomic Potentials for Physical Property Prediction

要約

機械学習間原子間ポテンシャル（MLIP）は、計算コストの一部で量子機械的計算を近似するのにますます効果的になっています。
ただし、テストセットの延期されたエラーの低下は、常に下流の物理的プロパティ予測タスクの結果が改善されるとは限りません。
この論文では、分子動的シミュレーション中にエネルギーを節約する実用的な能力に関するMLIPをテストすることを提案します。
合格すると、テストエラーと物理的なプロパティ予測タスクのパフォーマンスとの間に相関が改善されます。
このテストに失敗したモデルにつながる可能性のある選択肢を特定し、これらの観察結果を使用して、非常に発現するモデルを改善します。
結果として得られるモデルであるESENは、材料の安定性予測、熱伝導率予測、フォノン計算など、さまざまな物理的特性予測タスクに関する最先端の結果を提供します。

要約(オリジナル)

Machine learning interatomic potentials (MLIPs) have become increasingly effective at approximating quantum mechanical calculations at a fraction of the computational cost. However, lower errors on held out test sets do not always translate to improved results on downstream physical property prediction tasks. In this paper, we propose testing MLIPs on their practical ability to conserve energy during molecular dynamic simulations. If passed, improved correlations are found between test errors and their performance on physical property prediction tasks. We identify choices which may lead to models failing this test, and use these observations to improve upon highly-expressive models. The resulting model, eSEN, provides state-of-the-art results on a range of physical property prediction tasks, including materials stability prediction, thermal conductivity prediction, and phonon calculations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google