Efficient and Equivariant Graph Networks for Predicting Quantum Hamiltonian

要約

量子化学と凝縮物質物理学で使用されるハミルトニアン行列の予測について考察します。
効率と等分散は 2 つの重要な要素ですが、相反する要素です。
この研究では、効率と等分散を達成する QHNet という SE(3) 等変ネットワークを提案します。
私たちの主な進歩は、QHNet アーキテクチャの革新的な設計にあります。これは、基礎となる対称性に従うだけでなく、テンソル積の数を 92\% 削減することも可能にします。
さらに、QHNet は、より多くの原子タイプが関与する場合にチャネル寸法が指数関数的に増大することを防ぎます。
私たちは 4 つの分子システムを含む MD17 データセットに対して実験を実行します。
実験結果は、当社の QHNet が、大幅に高速で最先端の方法と同等のパフォーマンスを達成できることを示しています。
さらに、QHNet は合理化されたアーキテクチャにより、メモリ消費量が 50\% 削減されます。
私たちのコードは AIRS ライブラリ (\url{https://github.com/divelab/AIRS}) の一部として公開されています。

要約(オリジナル)

We consider the prediction of the Hamiltonian matrix, which finds use in quantum chemistry and condensed matter physics. Efficiency and equivariance are two important, but conflicting factors. In this work, we propose a SE(3)-equivariant network, named QHNet, that achieves efficiency and equivariance. Our key advance lies at the innovative design of QHNet architecture, which not only obeys the underlying symmetries, but also enables the reduction of number of tensor products by 92\%. In addition, QHNet prevents the exponential growth of channel dimension when more atom types are involved. We perform experiments on MD17 datasets, including four molecular systems. Experimental results show that our QHNet can achieve comparable performance to the state of the art methods at a significantly faster speed. Besides, our QHNet consumes 50\% less memory due to its streamlined architecture. Our code is publicly available as part of the AIRS library (\url{https://github.com/divelab/AIRS}).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google