摘要

我们引入了分层交互粒子神经网络（Hierarchically Interacting Particle Neural Network，简称 HIP-NN），用于从量子计算数据集中建模分子性质。受多体展开的启发，HIP-NN 将诸如能量等性质分解为分层项的总和。这些项是由作用在分子表示上的神经网络生成的，该神经网络由多个非线性变换组成。HIP-NN 在包含 131,000 个基态有机分子的数据集上达到了最先进的性能，并且预测能量的平均绝对误差为 0.26 kcal/mol。经过最小调优后，我们的模型在分子动力学轨迹数据集上也具有竞争力。除了能够实现精确的能量预测外，HIP-NN 的分层结构还有助于识别模型的不确定性区域。