Transmission de messages directionnels rapide et consciente de l'incertitude pour des molécules non-équilibre

De nombreuses tâches importantes en chimie tournent autour des molécules lors des réactions. Cela nécessite des prédictions éloignées de l'équilibre, alors que la plupart des travaux récents en apprentissage automatique pour les molécules se sont concentrés sur des états d'équilibre ou proches de l'équilibre. Dans cet article, nous visons à étendre ce champ de recherche de trois manières. Tout d'abord, nous proposons le modèle DimeNet++, qui est 8x plus rapide et 10% plus précis que le DimeNet original sur le benchmark QM9 des molécules à équilibre. Deuxièmement, nous validons DimeNet++ sur des molécules hautement réactives en développant le défi du jeu de données COLL, qui contient des configurations déformées de petites molécules pendant les collisions. Enfin, nous enquêtons sur l'assemblage et l'estimation de la moyenne-variance pour la quantification de l'incertitude dans le but d'accélérer l'exploration du vaste espace des structures non-équilibre. Notre implémentation de DimeNet++ ainsi que le jeu de données COLL sont disponibles en ligne.