摘要

消息传递神经网络已成为图结构数据学习的主流方法，尤其在预测化学性质以及加速分子动力学研究方面表现突出。尽管这类方法能够轻松扩展至大规模训练数据集，但以往的模型在数据利用效率方面仍逊于核方法。我们发现，不变性表示（invariant representations）的局限性是导致这一问题的主要原因，并在此基础上将消息传递框架拓展至旋转等变表示（rotationally equivariant representations）。基于此，我们提出了极化原子相互作用神经网络（Polarizable Atom Interaction Neural Network, PaiNN），在主流分子基准测试中显著优于以往网络模型，同时实现了模型规模的减小与推理速度的提升。我们进一步利用PaiNN所获得的等变原子级表示，用于预测张量性质。最终，我们将该方法应用于分子光谱的模拟，相较电子结构计算的参考方法，实现了4至5个数量级的加速。