Graph Neural Network (GNN) Potenziale, die sich auf chemische Lokalität stützen, bieten eine nahezu quantenmechanische Genauigkeit bei erheblich reduzierten Rechenkosten. Nachrichtenübertragende GNNs modellieren Wechselwirkungen über ihre unmittelbare Nachbarschaft hinaus, indem sie lokale Informationen zwischen benachbarten Teilchen propagieren, während sie effektiv lokal bleiben. Die Lokalität schließt jedoch die Modellierung von Langstreckeneffekten aus, die für viele reale Systeme von entscheidender Bedeutung sind, wie z.B. Ladungsübertragung, elektrostatische Wechselwirkungen und Dispersionseffekte. In dieser Arbeit schlagen wir die Charge Equilibration Layer for Long-range Interactions (CELLI) vor, um die Herausforderung zu adressieren, nicht-lokale Wechselwirkungen effizient zu modellieren. Diese neuartige Architektur verallgemeinert die klassische Methode der Ladungsgleichgewicht (Qeq) zu einem modellunabhängigen Baustein für moderne äquivariante GNN-Potenziale. Somit erweitert CELLI die Fähigkeit von GNNs, Langstreckenwechselwirkungen zu modellieren, während es eine hohe Interpretierbarkeit durch explizit modellierte Ladungen bietet. An Benchmark-Systemen erzielt CELLI Spitzenleistungen für strikt lokale Modelle. CELLI verallgemeinert sich auf vielfältige Datensätze und große Strukturen, während es eine hohe rechnerische Effizienz und robuste Vorhersagen bietet.
Fuchs et al. (Di,) haben diese Frage untersucht.