論文の概要: Universal and efficient graph neural networks with dynamic attention for machine learning interatomic potentials

• arxiv url: http://arxiv.org/abs/2603.22810v1
• Date: Tue, 24 Mar 2026 05:14:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.316716
• Title: Universal and efficient graph neural networks with dynamic attention for machine learning interatomic potentials
• Title（参考訳）: 機械学習の原子間ポテンシャルに対する動的注意を伴う普遍的で効率的なグラフニューラルネットワーク
• Authors: Shuyu Bi, Zhede Zhao, Qiangchao Sun, Tao Hu, Xionggang Lu, Hongwei Cheng,
• Abstract要約: 機械学習の原子間ポテンシャル(MLIP)は線形コストでほぼ量子精度を約束するが、既存のモデルは効率と安定性の課題に直面している。 我々は、効率的で堅牢なグラフニューラルネットワークフレームワークである機械学習アドバンスニューラルネットワーク(MLANet)を提案する。
• 参考スコア（独自算出の注目度）: 3.2024465912572015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The core of molecular dynamics simulation fundamentally lies in the interatomic potential. Traditional empirical potentials lack accuracy, while first-principles methods are computationally prohibitive. Machine learning interatomic potentials (MLIPs) promise near-quantum accuracy at linear cost, but existing models still face challenges in efficiency and stability. We presents Machine Learning Advances Neural Network (MLANet), an efficient and robust graph neural network framework. MLANet introduces a dual-path dynamic attention mechanism for geometry-aware message passing and a multi-perspective pooling strategy to construct comprehensive system representations. This design enables highly accurate modeling of atomic environments while achieving exceptional computational efficiency, making high-fidelity simulations more accessible. Tested across a wide range of datasets spanning diverse systems, including organic molecules (e.g., QM7, MD17), periodic inorganic materials (e.g., Li-containing crystals), two-dimensional materials (e.g., bilayer graphene, black phosphorus), surface catalytic reactions (e.g., formate decomposition), and charged systems, MLANet maintains competitive prediction accuracy while its computational cost is markedly lower than mainstream equivariant models, and it enables stable long-time molecular dynamics simulations. MLANet provides an efficient and practical tool for large-scale, high-accuracy atomic simulations.
• Abstract（参考訳）: 分子動力学シミュレーションの核は基本的に原子間ポテンシャルにある。 従来の経験的ポテンシャルは精度を欠いているが、第一原理法は計算的に禁止されている。 機械学習の原子間ポテンシャル(MLIP)は線形コストでほぼ量子精度を約束するが、既存のモデルは効率と安定性の課題に直面している。 我々は、効率的で堅牢なグラフニューラルネットワークフレームワークである機械学習アドバンスニューラルネットワーク(MLANet)を提案する。 MLANetは、ジオメトリ対応メッセージパッシングのためのデュアルパスダイナミックアテンション機構と、包括的なシステム表現を構築するためのマルチパースペクティブプーリング戦略を導入している。 この設計により、計算効率の優れた原子環境の高精度なモデリングが可能となり、高忠実度シミュレーションがより使いやすくなった。 有機分子(例えばQM7,MD17)、周期性無機材料(eg, Li含有結晶)、二次元材料(eg, 二層グラフェン, 黒リン)、表面触媒反応(eg, フォーメイト分解)、荷電系など、多様なシステムにまたがる幅広いデータセットで試験されたMLANetは、計算コストが主流の同変モデルよりも著しく低い間に競合予測精度を維持し、安定な長期分子動力学シミュレーションを可能にする。 MLANetは大規模で高精度な原子シミュレーションのための効率的で実用的なツールである。

関連論文リスト

• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• AlphaNet: Scaling Up Local-frame-based Atomistic Interatomic Potential [24.9325296129376]
  原子間相互作用の計算効率と予測精度を同時に向上する局所等フレームモデルであるAlphaNetを提案する。 AlphaNetは、表現能力が向上した原子環境をエンコードし、精度と力の予測の最先端を達成する。
  論文  参考訳（メタデータ） (2025-01-13T09:28:47Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Reliable machine learning potentials based on artificial neural network for graphene [2.115174610040722]
  グラフェンの特別な2次元構造は、幅広い特異な材料特性を示すことができる。 分子動力学(MD)シミュレーションは、その特異な性質の微視的起源を理解するために広く採用されている。 人工ニューラルネットワークに基づく原子間ポテンシャルは、ポテンシャルエネルギー表面を表すためにグラフェンのために開発された。
  論文  参考訳（メタデータ） (2023-06-12T17:12:08Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• A Universal Framework for Featurization of Atomistic Systems [0.0]
  物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。 本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。 我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
  論文  参考訳（メタデータ） (2021-02-04T03:11:00Z)
• SE(3)-Equivariant Graph Neural Networks for Data-Efficient and Accurate Interatomic Potentials [0.17590081165362778]
  NequIPは分子動力学シミュレーションのためのab-initio計算から原子間電位を学習するためのSE(3)等価ニューラルネットワークアプローチである。 この方法は、顕著なデータ効率を示しながら、様々な分子や材料の挑戦的な集合に対して最先端の精度を達成する。
  論文  参考訳（メタデータ） (2021-01-08T18:49:10Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。