基于等变Transformer结合长程相互作用的原子间势预测
郑景峰
贵州财经大学信息学院 贵州贵阳 550025
摘要：长程相互作用对原子间势能与力的精确预测具有关键作用,但现有的等变图神经网络模型多聚焦于局部原子环境,忽略了全局库仑效应耦合.文章提出了一种明确纳入长程相互作用的基于等变Transformer架构的机器学习原子间势和力的预测模型CLRFNet(charge long range field network),通过学习原子潜在电荷,利用三线性投影结合快速傅里叶变换,显式计算全局电势与电场,实现了长程库伦效应与原子局部环境在原子间势和力的预测任务中的有效结合.在CCSD/CCSD(T)和revised MD17两个基准数据集上,CLRFNet相较于现有模型,将能量与力的预测平均绝对误差(mean absolute error,MAE)平均降低约10％,达到了化学精度.实验结果证明,长程相互作用在原子局部和全局环境建模中的重要性,为原子间势预测的等变图神经网络模型的设计提供了新的思路.
关键词：等变性Transformer图神经网络原子间势机器学习
论文发表日期：2025-10-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：5( 32-36 )