SchNet – شبكة SchNet للمرشحات المستمرة
SchNet (2017)
الذرات ليست شبكة منتظمة؛ ولّد أوزان المرشح من المسافة بين الذرتين بشبكة صغيرة، فيصبح الالتفاف مستمراً في الفضاء وثابتاً تحت الدوران والإزاحة.
الحدس
الذرات ليست شبكة منتظمة؛ ولّد أوزان المرشح من المسافة بين الذرتين بشبكة صغيرة، فيصبح الالتفاف مستمراً في الفضاء وثابتاً تحت الدوران والإزاحة.
الشرح التفصيلي
تُمثَّل كل ذرة بتضمين لنوعها. في كتل التفاعل، تُوسَّع المسافة بين كل زوج ضمن مسافة قطع بدوال أساس شعاعية غاوسية، وتمرر إلى شبكة تولد مرشحاً لكل قناة، ثم تُجمع خصائص الجيران مضروبة عنصرياً في المرشح. تُحدَّث التمثيلات بوصلات متبقية، وتُجمع في النهاية بالمجموع للحصول على الطاقة، وتُشتق القوى بوصفها سالب تدرج الطاقة بالنسبة إلى الإحداثيات، فتكون محافظة للطاقة.
حققت نتائج قوية على QM9 وMD17 وأصبحت خط أساس للنماذج الهندسية.
البنية المعمارية
تضمين الأنواع ← 3–6 كتل تفاعل (cfconv) ← MLP لكل ذرة ← مجموع = الطاقة.
المعادلات
x_i^{l+1}=\sum_{j}x_j^{l}\circ W^{l}(r_i-r_j),\qquad W^{l}(r_{ij})=\operatorname{MLP}\!\big(e(\lVert r_{ij}\rVert)\big)F_i=-\frac{\partial E}{\partial r_i}نقاط القوة
- ثابت تحت E(3)
- قوى محافظة للطاقة
- بسيط وسريع نسبياً
القيود
- المسافات وحدها لا تميز كل البنى
- لا يستخدم الزوايا
- مسافة القطع تحد المدى
التعقيد الحسابي
O(n·k·F) مع k جاراً ضمن القطع.
متى تستخدمه
خصائص الجزيئات والمواد حين تتوفر الإحداثيات.
التنفيذ في PyTorch Geometric
torch_geometric.nn.models.SchNetشيفرة توضيحية للاستخدام المعتاد؛ راجع توثيق إصدار المكتبة الذي تستخدمه قبل تشغيلها.
تابع التعلّم
نماذج مرتبطة
دروس تشرحه
المراجع
- Schütt, K. T., Kindermans, P.-J., Sauceda, H. E., Chmiela, S., Tkatchenko, A., & Müller, K.-R. (2017). SchNet: A continuous-filter convolutional neural network for modeling quantum interactions. Advances in Neural Information Processing Systems (NeurIPS). arXiv: 1706.08566مرشحات مستمرة تعتمد على المسافات بين الذرات.
- Ramakrishnan, R., Dral, P. O., Rupp, M., & von Lilienfeld, O. A. (2014). Quantum chemistry structures and properties of 134 kilo molecules. Scientific Data. DOI: 10.1038/sdata.2014.22مصدر مجموعة QM9.
