完整且高效的3D点配置协变体及其在学习分子量子性质中的应用
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了机器学习模型在预测分子物理性质时的$SO(3)$协变性不足问题。我们提出了一种新的高阶方法，证明其在处理多达$k$个原子的情况下，$6k-5$个特征已足够，并且通过使用矩阵乘法替代传统的Clebsch–Gordan运算，有效降低了计算复杂度。这项工作为量子化学提供了更高效的工具，同时具有更广泛的3D点配置问题的应用潜力。
该研究提出了一个混合框架，利用深度学习在材料研究中进行哈密顿回归。该框架包括两个阶段，第一个阶段使用神经网络对对称性进行建模，得到协变特征和基线哈密顿预测。第二阶段使用非线性3D图Transformer网络进行结构建模，得到更准确的哈密顿预测。实验证实了该方法在哈密顿预测方面的性能。
