TAIP: Interatomisches Potential der Testzeitanpassung für die molekulare Dynamik

Wir schlagen eine neuartige Online-Anpassungsstrategie für die Testzeit für interatomische Potentiale (TAIP) vor, um die Genauigkeit und Generalisierbarkeit von interatomischen Potentialen des maschinellen Lernens (MLIPS) zu verbessern.

Our work introduces a novel online test-time adaptation strategy for improving the performance of interatomic potentials on unseen molecular structures. The method is applied to two widely used invariant and equivariant machine learning interatomic potentials, namely SchNet and PaiNN, respectively. We demonstrate the superior performance of our method on multiple datasets, including small organic molecules, isomers of C7O2H10, liquid water, ice, and electrolyte solutions of different concentrations. The test data from these datasets are designed to have a larger distribution shift from the training data, and are therefore used to investigate the improvement in generalizability achieved by our method. We evaluate the performance of the models on fixed datasets and in molecular dynamics simulations. The results show that our method can enhance the accuracy of interatomic potentials on unseen molecular structures, and it is compatible with complex systems featuring periodic boundary conditions. Moreover, we explore the impact of our method on feature distributions through dimensionality reductions, which provides insights into the mechanism behind the improvement from the perspective of feature embedding.

Unsere Arbeit führt eine neuartige Strategie zur Anpassung der Online-Testzeit ein, um die Leistung interatomischer Potentiale für unsichtbare molekulare Strukturen zu verbessern. Die Methode wird auf zwei weit verbreitete invariante und äquivariante interatomische Potentiale für maschinelles Lernen angewendet, nämlich SCHNET bzw. Schmerz. Wir demonstrieren die überlegene Leistung unserer Methode auf mehreren Datensätzen, einschließlich kleiner organischer Moleküle, Isomere von C7O2H10, flüssigem Wasser, Eis und Elektrolytlösungen unterschiedlicher Konzentrationen. Die Testdaten aus diesen Datensätzen sind so konzipiert, dass sie eine größere Verteilungsverschiebung von den Trainingsdaten haben und daher verwendet werden, um die nach unserer Methode erzielte Verbesserung der Generalisierbarkeit zu untersuchen. Wir bewerten die Leistung der Modelle zu festen Datensätzen und in molekularen Dynamiksimulationen. Die Ergebnisse zeigen, dass unsere Methode die Genauigkeit interatomischer Potentiale bei unsichtbaren molekularen Strukturen verbessern kann und mit komplexen Systemen mit regelmäßigen Randbedingungen kompatibel ist. Darüber hinaus untersuchen wir die Auswirkungen unserer Methode auf Merkmalsverteilungen durch Dimensionalitätsreduzierungen, was Einblicke in den Mechanismus hinter der Verbesserung aus der Sicht der Merkmalsbettung liefert.