Apprentissage de représentations locales équivariantes pour des dynamiques atomiques à grande échelle

Une paramétrisation à la fois précise et computationnellement efficace de la surface d'énergie potentielle des molécules et des matériaux est un objectif de longue date dans les sciences naturelles. Bien que les réseaux de neurones à passage de message centrés sur les atomes (MPNN) aient montré une précision remarquable, leur propagation de l'information a limité les échelles de longueur accessibles. Les méthodes locales, à l'inverse, s'adaptent aux grandes simulations mais souffrent d'une précision inférieure. Ce travail introduit Allegro, une architecture de potentiel interatomique à réseau de neurones profond équivariant strictement local qui présente à la fois une excellente précision et une évolutivité. Allegro représente un potentiel à corps multiples en utilisant des produits tensoriels itérés de représentations équivariantes apprises sans passage de message centré sur les atomes. Allegro obtient des améliorations par rapport aux méthodes à la pointe de la technologie sur QM9 et revMD17. Une seule couche de produit tensoriel surpasse les MPNN profonds et les transformateurs existants sur QM9. De plus, Allegro affiche une généralisation remarquable aux données hors distribution. Les simulations moléculaires utilisant Allegro récupèrent des propriétés structurelles et cinétiques d'un électrolyte amorphe en excellent accord avec les simulations ab-initio. Enfin, nous démontrons la parallélisation avec une simulation de 100 millions d'atomes.