등변성 기계 학습 밀도를 통한 분자 동역학 강화

기계 학습 원자간 퍼텐셜 (MLIPs) 은 근사 ab initio 정밀도로 분자 동역학을 가능하게 했으나, 구조상 에너지와 힘에만 제한되어 쌍극자 모멘트 및 분극률과 같은 전자 관측량을 접근 불가능하게 하고 있습니다. 우리는 핵 구성에서 바닥 상태 전자 밀도로의 Hohenberg--Kohn 매핑을 학습하는 밀도 우선 (density-first) 기계 학습 전자 구조 접근법인 DenSNet 을 소개합니다. 우리의 접근법은 유연한 원자 중심 가우스 기저의 밀도 계수를 예측하기 위해 SE(3)-등변성 신경망을 사용하고, 훈련을 가속화하기 위해 중첩된 원자 밀도를 사전 정보로 사용하는 $Δ$-학습 전략을 결합합니다. 이후 두 번째 등변성 신경망은 예측된 밀도를 총 에너지로 매핑하여 분자 동역학과 전자 구조를 위한 통합 프레임워크를 제공합니다. 우리는 DenSNet 을 에탄올, 에탄티올, 그리고 레소르시놀에서 검증했으며, 기계 학습 궤적에서 얻은 적외선 스펙트럼이 실험적 기체상 측정과 매우 잘 일치함을 보였습니다. 확장성을 테스트하기 위해 1--6 개 단량체를 가진 폴리티오펜 올리고머에서 훈련하고 최대 12 개의 단량체인 사슬로 외삽하여, 참조 밀도 함수 이론 계산과 일치하는 적외선 스펙트럼을 보이는 안정된 장기 궤적을 생성했습니다. 여기서는 전자 밀도를 중심 학습 양으로 복원함으로써 대규모 분자 시뮬레이션에서 분광학적 및 전자 관측량의 전이 가능한 예측에 대한 실용적인 길을 여는 것을 보여줍니다.