适用于大型原子模型时代的图神经网络

《npj Computational Materials》：A graph neural network for the era of large atomistic models

　　

摘要

基础模型（也称为大原子模型，LAMs）旨在通过密度泛函理论（DFT）来统一表示原子系统的基态势能面（PES）。研究表明，随着模型规模、训练数据和计算资源的增加，这些模型的通用性也会得到提升。我们提出了DPA3，这是一种基于线图序列（LiGS）的多层图神经网络，专为LAMs时代设计。实验验证表明，DPA3模型的泛化误差遵循相应的缩放规律。通过在其内部增加更多层来实现模型参数数量的可扩展性。此外，该模型还采用了一种数据编码机制，在多任务框架下将训练数据的规模与模型规模分离。当作为面向问题的势能模型进行训练时，DPA3模型在分子、块状材料、催化剂、二维材料和电池材料等领域中，能够以远少于现有最佳模型的参数数量达到或超越其精度。当在OpenLAM-v1数据集上作为LAM进行训练时，DPA-3.1-3M模型在12个涵盖多种研究领域的下游任务中展现了强大的零样本泛化能力，证明了其作为一种即用型势能模型的潜力——这类模型可能无需太多微调即可应用于实际科学研究。