TAIP: Adaptation de test Potentiel interatomique pour la dynamique moléculaire

Nous proposons une nouvelle stratégie d'adaptation de test en ligne pour les potentiels interatomiques (TAIP) pour améliorer la précision et la généralisation des potentiels interatomiques d'apprentissage automatique (MLIP)

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.

Notre travail présente une nouvelle stratégie d'adaptation en ligne de test en ligne pour améliorer les performances des potentiels interatomiques sur les structures moléculaires non visées. La méthode est appliquée à deux potentiels interatomiques d'apprentissage automatique invariants et équivariants largement utilisés, respectivement, à savoir Schnet et Painn. Nous démontrons les performances supérieures de notre méthode sur plusieurs ensembles de données, notamment de petites molécules organiques, des isomères de C7O2H10, de l'eau liquide, de la glace et des solutions d'électrolyte de différentes concentrations. Les données de test de ces ensembles de données sont conçues pour avoir un changement de distribution plus important des données de formation et sont donc utilisées pour étudier l'amélioration de la généralisation obtenue par notre méthode. Nous évaluons les performances des modèles sur des ensembles de données fixes et dans des simulations de dynamique moléculaire. Les résultats montrent que notre méthode peut améliorer la précision des potentiels interatomiques sur les structures moléculaires non visées, et elle est compatible avec des systèmes complexes avec des conditions aux limites périodiques. De plus, nous explorons l'impact de notre méthode sur les distributions de fonctionnalités par des réductions de dimensionnalité, ce qui donne un aperçu du mécanisme derrière l'amélioration du point de vue de l'intégration des fonctionnalités.