PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.10969v1cs.LG

ASPIRE: 집합 예측과 물리적 미세 조정을 통한 안부점 발견

ASPIRE: Saddle-Point Discovery through Set Prediction and Physical Refinement

사건 기반(event-driven) 모델을 사용해 열적 활성화 확산 및 결함 진화를 예측하려면 원자 재배열 메커니즘과 그 활성화 장벽을 식별해야 합니다. 관련된 안부점(saddle point)을 발견하는 것은 주요 계산 병목 현상입니다. 하나의 준안정 상태에서 여러 재배열이 발생할 수 있는 반면, 비용이 많이 드는 국소 탐색은 실패하거나 동일한 안부점으로 반복 수렴할 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 단일 초기 원자 환경(environment)으로부터 일련의 안부점 후보 집합을 예측하고 원래의 원자간 포텐셜 상에서 Dimer 탐색을 통해 이를 정밀화하는 프레임워크인 ASPIRE(Atomistic Saddle-Point Inference with Refinement for Events)를 제안합니다. 이 프레임워크의 등변 집합 예측기인 Ev-Quiformer는 (i) 다중 안부점 제안 생성을 위한 기하학 조건부 스칼라-벡터 사건 슬롯과 (ii) 원자, 슬롯 및 앵커 상대 벡터를 불변 계수와 결합하여 각 슬롯을 완전한 원자 변위장으로 매핑하는 디코더를 통합합니다. 우리는 또한 두 가지 데이터셋을 제공합니다: (i) 집합 지도 학습 및 정밀화 후 평가를 위해 초기 상태별로 그룹화된 4,000개의 4-공공(four-vacancy) 체심 입방 철 구성과 65,450개의 참조 사건으로 구성된 BCCFE4VACAV-4000, 그리고 (ii) 각각 1개에서 4개의 공공을 갖는 5,372개의 구성으로 이루어진 BCCFE-1TO4VAC입니다. 이론적으로는 제안 등변성(proposal equivariance)을 위한 조건을 정립합니다. 실험적으로 ASPIRE는 이 벤치마크에서 기존 Dimer 기준선(baseline)의 75.73%와 비교하여 77.20%의 참조 사건 커버리지를 달성하면서도 Dimer 힘 평가 횟수는 약 절반만 요구합니다. 50개 구성에 대한 소요 시간 평가에서 ASPIRE는 명시된 하드웨어 설정 기준 구성당 소요 시간(wall time)을 478.8초에서 176.3초로 단축합니다.

arXiv:2610.10626v1cs.LG

회전 견고 신경 동역학을 위한 정확한 SO(3)-등변 등방성 커널

Exact SO(3)-Equivariant Isotropic Kernels for Rotation-Robust Neural Dynamics

벡터값 편미분 방정식(PDE)을 위한 신경 대리 모델은 학습(training) 데이터에는 잘 적합될 수 있지만, 동일한 물리적 상태가 회전된 좌표계로 표현될 때 예측값이 달라질 수 있습니다. 본 연구에서는 불규칙하게 배치된 지점에서 관측되는 3차원 나비에-스토크스(Navier--Stokes) 동역학에서 이러한 문제를 조사합니다. 우리는 회전에 의해 변하지 않는 스칼라양과 데이터를 따라 함께 회전하는 벡터 방향으로부터 국소 상호작용을 구성하는 소형 그래프 모델인 불변 조건화 등방성 커널 신경 연산자(IKNO)를 소개합니다. 그 결과, 위치와 속도를 회전시키면 예측된 속도 변화도 정확히 동일한 방식으로 회전합니다. 모델 설계 후 고정된 홀드아웃 테스트 세트에서, 무제약 그래프 모델을 무작위로 회전된 예제로 학습시키면 좌표 의존성이 줄어들기는 하지만 완전히 제거되지는 않습니다. 반면, IKNO는 수치 정밀도(precision) 수준에서 일관성을 유지하며, 파라미터 수가 5.6배 적으면서도 일반적인 회전 인지 텐서(tensor) 장 네트워크(Tensor Field Network)의 예측 정확도와 일치하고 파라미터 수가 동일한 그래프 시뮬레이터보다 우수한 성능을 보입니다. 이러한 결과는 소형 PDE 특화 모델이 예측 정확도를 희생하지 않고도 좌표 의존성을 제거할 수 있음을 보여줍니다.

arXiv:2610.02651v1physics.chem-ph

전자 밀도 예측을 위한 등변 플로우 매칭

Equivariant Flow Matching for Electron Density Prediction

밀도 범함수 이론(DFT)을 위한 머신러닝 대리 모델은 제일원리 계산 비용을 줄이기 위해 점점 더 널리 사용되고 있습니다. 이 분야에서 실공간 전자 밀도를 예측하는 것은 자체 일관 장(SCF) 절차를 위한 확장 가능하고 전이 가능한 초기화를 제공합니다. 그러나 기존 방식들은 명확한 딜레마에 직면해 있습니다. 즉, 그리드 기반 아키텍처는 높은 계산 비용을 초래하는 반면, 기저 함수계 방식은 계수 공간에 내재된 구조적 상관관계를 포착하지 못합니다. 본 연구에서는 플로우 매칭(flow matching)을 통해 가우스형 궤도함수(GTO) 계수를 예측하는 $\mathrm{SE}(3)$-등변(equivariant) 생성 모델인 OrbFlow를 개발합니다. OrbFlow는 조밀한 원자 중심 기저의 효율성을 유지하면서, 점별 회귀를 전체 계수 공간에 걸쳐 학습된 확률 경로로 대체합니다. 이 모델은 수치 적분 중 발생하는 이산화 드리프트를 완화하는 2단계 궤적 커리큘럼을 통해 학습됩니다. OrbFlow는 QM9에서 이전 최고 성능 모델 대비 밀도 오차를 13.6% 줄이며 SOTA(state-of-the-art) 정확도를 달성하고, 동일한 기저를 공유하는 가장 강력한 기존 기법 대비 MD 벤치마크의 모든 분자에서 오차를 51%에서 63%까지 줄입니다. 또한 예측된 밀도는 학습 시 보지 못한 교환-상관 범함수로의 제로샷(zero-shot) 전이를 통해 SCF 반복 횟수를 최대 68%까지 줄이며, 어떠한 SCF 계산 없이도 DFT 참조값의 수 퍼센트 이내로 쌍극자 및 사중극자 모멘트를 복원합니다.

arXiv:2605.08172v2cs.CV

해부학적 분할을 위한 증강된 등변 메시 네트워크

Augmented Equivariant Mesh Networks for Anatomical Segmentation

해부학적 메시 분할(anatomical mesh segmentation)은 다양한 해상도의 메시 전반에서 좌표 포즈(coordinate pose) 변화에 강건성을 유지하면서 불규칙한 표면 기하학에서 직접 작동하는 모델을 필요로 합니다. 기존의 태스크 특화 메시 및 포인트 클라우드 방식들은 등변성(equivariance)을 지니지 않아, 일치하는 학습(training) 증강을 적용하더라도 3D-IOSSeg에서 $40^\circ$ 회전 시 IoU 점수가 28-30 포인트 하락하는 등 테스트 시점의 섭동(perturbation)에 급격한 성능 저하를 보일 수 있습니다. 본 논문에서는 등변 메시 신경망(EMNN)을 기반으로 구축된 등변 해부학적 메시 분할기인 EAMS를 제시하고, 에지(edge), 정점(vertex), 면(face) 수준의 지도 학습을 포괄하는 세 가지 임상 응용 분야의 4개 데이터셋(dataset) 설정에서 이를 평가합니다. 저자들은 내재적 메시 기술자(intrinsic mesh descriptor)를 치열궁(dental arch) 및 간 표면에 대한 PCA 유도 프레임을 포함한 해부학 인지 사전 정보와 결합하고, 경량 글로벌 컨텍스트를 제공하도록 메시지 전달을 증강합니다. 두개내 동맥류 및 구강 내 분할 전반에서 EAMS 변형 모델들은 섭동이 없는 입력에 대해 특화된 베이스라인과 견줄 만한 성능을 보이면서도 기하학적 섭동 하에서 안정성을 유지하며, 간 표면에서는 표준 포즈 정확도와 회전 강건성 간의 유리한 절충점을 보여줍니다. 이러한 결과는 경량(2M 미만의 파라미터) 등변 프레임워크가 다양한 레이블 유형 전반에서 강건한 해부학적 메시 분할을 달성할 수 있음을 보여줍니다.

arXiv:2607.05559v1cs.LG

EquiFiLM: 특징별 선형 변조를 통한 전하 조건부 등변 포스 필드

EquiFiLM: Charge-Conditioned Equivariant Force Fields via Feature-wise Linear Modulation

기존 등변(equivariant) 기반 MLFF(머신러닝 포스 필드)가 전하 주입·광여기 등 외부 전자 상태 변화를 처리하지 못하는 문제를 해결하기 위해, 각 상호작용 레이어에 Feature-wise Linear Modulation(FiLM) 블록을 삽입해 연속적인 외부 조건화를 추가하는 경량 어댑터 EquiFiLM을 제안한다. MACE-MatPES 백본에 적용한 E-MACE는 대전된 액체 물 실험에서 수천 개의 DFT 학습 프레임만으로 힘 RMSE를 3.1배, 에너지 RMSE를 61배 감소시키며 추론 비용 증가 없이 미학습 전하까지 안정적으로 일반화함을 보였다.

arXiv:2606.30961v1physics.chem-ph

ElemeNet: Multiscale Molecular Machine Learning with Uncertainty Quantification Across the Periodic Table

Advances in deep learning architectures and representations have enabled ML-driven chemical property prediction, but state-of-the-art (SOTA) models have remained largely confined to independent codebases and lack support for diverse chemical species. This work introduces ElemeNet, a unified, general-purpose software package for molecular machine learning. The ElemeNet software package enables the training of advanced ML models for diverse properties and datasets with an enlarged range of elemental compositions. We define molecular representations compatible with elements 1-100, supporting diverse organometallic and biological systems in addition to organic chemistry already well-served by the Chemprop ML toolkit. As well as more common atom-, bond-, and molecule-level predictions, we introduce moiety predictions. We also natively define optional conditioning on charge and spin states. Advanced E(3)-equivariant and transformer architectures are supported, as well as classical 2D models, with all classes including built-in uncertainty quantification through deterministic and statistical measures. We benchmark our protocols for ML model training against representative datasets from organic, inorganic, coordination, and biological chemistry, achieving competitive and SOTA performance relative to literature baselines and favorable scaling to millions of molecules. The entire workflow is exposed through a concise command-line interface, lowering the barrier to entry for non-expert users. We anticipate ElemeNet will empower non-computational researchers to leverage modern deep learning methods across the chemical and physical sciences.