TAIP：分子ダイナミクスのテスト時間適応間の原子間の可能性

機械学習間のポテンシャル（MLIP）の精度と一般化可能性を改善するために、原子間ポテンシャル（TAIP）のための新しいオンラインテスト時間適応戦略を提案します。

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.

私たちの研究では、目に見えない分子構造の原子間ポテンシャルのパフォーマンスを改善するための新しいオンラインテスト時間適応戦略を紹介します。この方法は、それぞれ広く使用されている2つの広く使用されており、等縁系機械学習間ポテンシャル、つまりSchnetとPainnにそれぞれ適用されます。小さな有機分子、C7O2H10の異性体、液体水、氷、異なる濃度の電解質溶液など、複数のデータセットでの方法の優れた性能を示します。これらのデータセットからのテストデータは、トレーニングデータからより大きな分布シフトを持つように設計されているため、メソッドによって達成される一般化可能性の改善を調査するために使用されます。固定データセットと分子動力学シミュレーションでのモデルのパフォーマンスを評価します。結果は、私たちの方法が目に見えない分子構造上の原子間電位の精度を高めることができることを示しており、周期的な境界条件を備えた複雑なシステムと互換性があります。さらに、機能の埋め込みの観点からの改善の背後にあるメカニズムに関する洞察を提供する次元削減による機能分布に対する方法の影響を調査します。