TAIP : 분자 역학에 대한 테스트 시간 적응 내 원 자간 전위

우리는 기계 학습 간 전위 (MLIP)의 정확성과 일반화를 향상시키기위한 원자력 잠재력 (TAIP)에 대한 새로운 온라인 테스트 시간 적응 전략을 제안합니다.

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.

우리의 연구는 보이지 않는 분자 구조에서 원자 간 전위의 성능을 향상시키기위한 새로운 온라인 시험 시간 적응 전략을 소개합니다. 이 방법은 널리 사용되는 두 가지 불변의 불변의 기계 학습 간 전위, 즉 Schnet과 Painn에 각각 적용됩니다. 우리는 작은 유기 분자, C7O2H10의 이성질체, 액체 물, 얼음 및 상이한 농도의 전해질 용액을 포함한 여러 데이터 세트에서 우리의 방법의 우수한 성능을 보여줍니다. 이 데이터 세트의 테스트 데이터는 훈련 데이터로부터 더 큰 분포 전환을 갖도록 설계되었으며, 따라서 우리의 방법에 의해 달성되는 일반화 개선을 조사하는 데 사용됩니다. 고정 데이터 세트 및 분자 역학 시뮬레이션에서 모델의 성능을 평가합니다. 결과는 우리의 방법이 보이지 않는 분자 구조에서 원자 영역의 정확도를 향상시킬 수 있으며,주기적인 경계 조건을 특징으로하는 복잡한 시스템과 호환 될 수 있음을 보여줍니다. 또한, 우리는 차원 감소를 통한 기능 분포에 대한 방법의 영향을 탐색하여 기능 임베딩의 관점에서 개선의 메커니즘에 대한 통찰력을 제공합니다.