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

要約

ニューラル ネットワークの原子間ポテンシャル (NNP) は、非経験的分子動力学シミュレーションの高い数値コストを回避しながら、複雑な分子システムを正確にモデル化するための強力なツールであることが最近証明されました。
近年、モデル アーキテクチャの数多くの進歩や、機械学習 (ML) とより伝統的な物理的動機による力場相互作用を組み合わせたハイブリッド モデルの開発により、ML の可能性の設計スペースが大幅に拡大しました。
この論文では、力場で強化されたニューラル ネットワーク ポテンシャルを構築、トレーニング、実行するための新しいライブラリである FeNNol を紹介します。
ハイブリッド モデルを構築するための柔軟なモジュール式システムを提供し、明示的なプログラミングを必要とせずに、最先端の埋め込みと 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ます。
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 の迅速な評価を可能にし、ML ポテンシャルと標準的な力場の間のパフォーマンス ギャップを縮小します。
これは、一般的な GPU (GPU=グラフィックス プロセッシング ユニット) 上の AMOEBA 分極可能力場とほぼ同等のシミュレーション速度に達する人気の ANI-2x モデルで実証されています。
私たちは、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ます。

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, Google