NpjComput.Mater.：通用深度學習分子勢能新架構—矩——圖神經網路

海歸學者發起的公益學術平臺

分享資訊，整合資源

交流學術，偶爾風月

在計算化學與材料科學領域，精準高效的分子勢能模型是推動分子動力學模擬和材料設計的關鍵。近年來，基於圖神經網路的機器學習勢函式取得了顯著進展，尤其是訊息傳遞神經網路（MPNN），已展現出構建通用原子間勢函式的潛力。然而，現有方法普遍依賴球諧函式及Clebsch-Gordan縮並來保持旋轉對稱性，這一過程計算複雜度高，影響了其實際應用。

針對這一挑戰，浙江大學航空航天學院朱書澤研究員團隊提出了矩–圖神經網路（MGNN）。MGNN是一種旋轉不變的訊息傳遞神經網路架構，引入矩（moment）表徵分子三維結構關係，避免了傳統高階張量計算，使其在保持計算效率的同時，能夠精準刻畫分子體系的幾何特性。

研究團隊在多個開源公共資料集上驗證了MGNN的優越性。在QM9資料集上，MGNN在12項分子性質預測任務中取得了7個SOTA（當前最佳）結果，其餘任務的誤差也與最優模型相當。在修正的MD17資料集中，MGNN在小分子能量和力場預測方面多項指標重新整理SOTA記錄，並在其他任務上保持了與前沿模型接近的誤差。在用於評估機器學習勢函式穩定性的MD17-乙醇資料集中，MGNN在能量誤差、力誤差及長期穩定性方面均達到SOTA水平。此外，該研究還在3BPA和25元素高熵合金資料集上測試了MGNN的泛化能力和計算效率，結果表明MGNN在不同體系中的適應性強，計算成本低。

Fig. 1:The moment message passing scheme and the architecture of MGNN.

MGNN的核心在於利用矩表徵分子圖的幾何關係，並結合訊息傳遞機制高效學習分子特徵。透過為節點（原子）、邊（化學鍵）、三元組（角度關係）定義矩，MGNN能夠精確描述分子的對稱性。其資訊傳遞機制採用三元組–邊–節點的多層級資訊流，使分子圖中的空間關係得以高效建模，並最終透過輸出模組預測不同物理性質。值得注意的是，MGNN的輸出設計涵蓋了不同階數的張量，包括標量（如能量）、向量（如力、偶極矩）以及高階張量（如極化率），使其能夠適用於多種計算化學和材料科學應用。

Fig. 2:Output blocks.

Fig. 3:Learning curve for different models.

MGNN在實際材料體系的模擬中也展現了廣泛的應用價值。例如，在非晶態磷酸鋰（Li₃PO₄）固態電解質中，MGNN模擬得到的鋰離子擴散特性，包括徑向分佈函式（RDF）、四面角角度分佈函式（ADF）和均方位移（MSD），均與第一性原理計算結果高度吻合，為固態電解質設計提供了可靠工具。此外，MGNN在分子光譜計算中的應用表明，其在紅外（IR）和拉曼（Raman）光譜預測方面同樣表現優異，計算結果與實驗資料高度一致，展現出替代傳統電子結構計算方法的潛力。