EquiFiLM снижает ошибку ML-силовых полей в 3 раза при учете заряда

Современные фундаментальные модели машинного обучения силовых полей (MLFF), такие как MACE-MP-0 и UMA, достигают точности, близкой к теории функционала плотности (DFT), но предполагают равновесное основное состояние. Они не учитывают внешние изменения электронного состояния, такие как зарядка, приложенные поля или электронное возбуждение, что ограничивает их применение для фотоиндуцированных процессов.

В новой работе исследователи представили EquiFiLM — легковесное расширение, добавляющее непрерывное внешнее кондиционирование к любой эквивариантной фундаментальной MLFF. Метод использует поканальную линейную модуляцию (FiLM) на каждом слое, что позволяет моделировать изменения поверхности потенциальной энергии, вызванные внешними воздействиями, на минимальном объеме обучающих данных.

Блок FiLM модулирует только скалярные каналы, что строго сохраняет E(3)-эквивариантность. Разработчики протестировали подход на заряженной жидкой воде, используя фундаментальную модель MACE-MatPES в качестве основы. Полученный вариант E-MACE показал существенное улучшение точности.

На четырех тренировочных зарядах E-MACE продемонстрировал снижение среднеквадратичной ошибки (RMSE) сил в 3,1 раза (с 21,3 до 6,96 мэВ/?) и уменьшение RMSE энергии на атом в 61 раз (с 6,1 до 0,1 мэВ/атом) по сравнению с базовой моделью без EquiFiLM. Затраты на вывод остались на прежнем уровне.

На семи контрольных зарядах, включая интерполяционные и экстраполяционные, RMSE сил находилась в диапазоне 18–61 мэВ/?, а RMSE энергии — 0,7–5,4 мэВ/атом. Модель стабильно выполняла молекулярную динамику во всем тестовом диапазоне и правильно предсказывала зависящую от заряда перестройку первой координационной сферы, что подтверждено данными ультрабыстрой электронной дифракции.

Добавление оси кондиционирования к фундаментальной модели потребовало всего несколько тысяч размеченных DFT кадров, тогда как для полного переобучения модели с нуля потребовалось бы около 10^8 структур. Авторы отмечают, что предложенный подход не зависит от конкретной базовой модели и типа кондиционирования — он применим к любой эквивариантной MLFF со скалярными каналами взаимодействия без изменения архитектуры.