BriefGPT - AI 论文速递
·
混合串联回归框架的晶态材料研究中调和协方差性和表达性的深哈密顿回归
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
混合框架利用两个级联回归阶段解决了深度学习中的协方差-表达能力两难问题。第一个阶段利用协变的神经网络对对称性建模，产生协变特征和基线哈密顿预测。第二阶段使用非线性3D图Transformer网络对原子系统进行结构建模，得到更好表达能力的哈密顿精细预测。该方法在哈密顿预测方面达到了最先进的性能。
🎯
关键要点
- 深度学习在材料研究中的哈密顿回归需要满足协方差定律。
- 实现SO(3)等变性与保证网络表达能力之间存在挑战。
- 提出了一个混合框架，利用两个级联回归阶段解决协方差-表达能力两难问题。
- 第一个阶段使用协变神经网络对3D原子系统的对称性建模，产生协变特征和基线哈密顿预测。
- 第二阶段使用非线性3D图Transformer网络对原子系统进行结构建模，得到更好表达能力的哈密顿精细预测。
- 该方法结合了理论上协变的模型与高度表达能力的非线性网络，实现精确、可推广的预测。
- 在坐标变换下保持稳健的协方差。
- 该方法在电子结构计算的哈密顿预测方面达到了最先进的性能，经过五个晶体材料数据库的实验证实。
➡️
