?
ChronoCast: A time-series paradigm for molecular dynamics simulation using equivariant graph neural networks
Мы предлагаем подход к моделированию молекулярной динамики на основе анализа временных рядов, получивший название ChronoCast; в нем используется усовершенствованная авторегрессионная эквивариантная графовая нейронная сеть, преобразующая традиционно трудоемкий процесс интегрирования уравнений движения в задачу прогнозирования. Такое переосмысление задачи открывает перспективный путь к преодолению проблемы огромных вычислительных затрат, характерной для исследования сложных физических систем с помощью классических алгоритмов. Благодаря включению скорости в качестве характеристики узла графа и соблюдению закона сохранения импульса, предложенная модель обеспечивает исключительно высокую точность воспроизведения разнообразных физических свойств. На примере простого кристалла кремния (Si) и сложных нанопроволок NbSe3 с ван-дер-ваальсовым взаимодействием мы демонстрируем, что такие характеристики, как функция радиального распределения, среднеквадратичное смещение и колебательная плотность состояний, могут быть точно воспроизведены методом долгосрочного авторегрессионного прогнозирования. Что особенно важно, ChronoCast сокращает время генерации траекторий на порядки по сравнению с методами ab initio (из первых) и более чем вдвое по сравнению с передовыми потенциалами, основанными на машинном обучении, демонстрируя тем самым превосходную эффективность по сравнению с этими распространенными методами молекулярной динамики. Данная работа представляет собой точный и эффективный подход, использующий методы анализа временных рядов для исследования статистической физики сложных динамических процессов.