1.一种用于使用图形变换器神经网络(gtff)模拟多元素系统内元素运动的计算方法,所述方法包括:
将多元素系统内元素的分子动力学快照转换成以原子作为图形节点的图形;
定义矩阵,使得矩阵的每一列表示图形中的节点;
根据每个原子的相对位置集合定义距离矩阵;
使用注意力机制迭代通过gtff,对矩阵进行操作,并且通过合并距离矩阵进行扩充,以将隐藏状态从gtff的当前层传递到gtff的下一层;
在矩阵的列之上执行组合以产生标量分子能量;
做出通过gtff的向后传递,迭代地计算gtff各层中每一层处的导数,以计算作用在每个原子上的力的预测;以及
返回作用在每个原子上的力的预测。
2.根据权利要求1所述的计算方法,其中矩阵的列之上的组合被实现为总和。
3.根据权利要求1所述的计算方法,其中矩阵的列之上的组合被实现为均值。
4.根据权利要求1所述的计算方法,其中使用神经网络来实现矩阵的列之上的组合。
5.根据权利要求1所述的计算方法,进一步包括在矩阵中包括作为图形节点的除了原子之外的其他分子对象,其他分子对象包括原子的一个或多个键或量子态。
6.根据权利要求5所述的计算方法,进一步包括定义图形中其他分子对象到其他对象的距离,使得距离矩阵对于每个元素保持良定义。
7.根据权利要求1所述的计算方法,进一步包括使用损失函数将gtff训练为深度神经网络,形成所述损失函数以将力预测与标记数据集上的基准真值力进行比较,使得使用梯度下降关于所述损失函数来优化网络权重。
8.根据权利要求1所述的计算方法,其中所述计算方法被集成到分子动力学(md)软件中。
9.根据权利要求1所述的计算方法,进一步包括在注意力机制中利用softmax来通过gtff向前传播隐藏状态。
10.一种用于使用图形变换器神经网络(gtff)来模拟多元素系统内的元素运动的计算系统,所述系统包括:
存储器,其存储分子动力学(md)软件的gtff算法的指令;和
处理器,其被编程为执行指令以执行操作,所述操作包括
将多元素系统内的元素的分子动力学快照转换成以原子作为图形节点的图形;
定义矩阵,使得矩阵的每一列表示图形中的节点;
根据每个原子的相对位置集合定义距离矩阵;
使用注意力机制迭代通过gtff,对矩阵进行操作,并且通过合并距离矩阵进行扩充,以将隐藏状态从gtff的当前层传递到gtff的下一层;
在矩阵的列之上执行组合以产生标量分子能量;
做出通过gtff的向后传递,迭代地计算gtff各层中每一层处的导数,以计算作用在每个原子上的力的预测;以及
返回作用在每个原子上的力的预测。
11.根据权利要求10所述的计算系统,其中处理器进一步被编程为执行指令,以在矩阵的列之上执行组合作为总和。
12.根据权利要求10所述的计算系统,其中处理器进一步被编程为执行指令,以在矩阵的列之上执行组合作为均值。
13.根据权利要求10所述的计算系统,其中处理器进一步被编程为执行指令,以使用神经网络在矩阵的列之上执行组合。
14.根据权利要求10所述的计算系统,其中处理器进一步被编程为执行指令,以在矩阵中包括作为图形节点的除了原子之外的其他分子对象,其他分子对象包括原子的一个或多个键或量子态。
15.根据权利要求14所述的计算系统,其中,处理器进一步被编程为执行指令,以定义图形中其他分子对象到其他对象的距离,使得距离矩阵对于每个元素保持良定义。
16.根据权利要求10所述的计算系统,其中处理器进一步被编程为执行指令,以使用损失函数将gtff训练为深度神经网络,形成所述损失函数以将力预测与标记数据集上的基准真值力进行比较,使得使用梯度下降关于所述损失函数来优化网络权重。
17.根据权利要求10所述的计算系统,其中处理器进一步被编程为执行指令,以利用注意力机制中的softmax来通过gtff向前传播隐藏状态。
18.一种非暂时性计算机可读介质,包括用于使用图形变换器神经网络(gtff)来模拟多元素系统内的元素运动的指令,所述指令当由处理器执行时,使得处理器用于:
将多元素系统内的元素的分子动力学快照转换成以原子作为图形节点的图形;
定义矩阵,使得矩阵的每一列表示图形中的节点;
根据每个原子的相对位置集合定义距离矩阵;
使用注意力机制迭代通过gtff,对矩阵进行操作,并且通过合并距离矩阵进行扩充,以将隐藏状态从gtff的当前层传递到gtff的下一层;
在矩阵的列之上执行组合以产生标量分子能量;
做出通过gtff的向后传递,迭代地计算gtff各层中每一层处的导数,以计算作用在每个原子上的力的预测;以及
返回作用在每个原子上的力的预测。
19.根据权利要求18所述的介质,进一步包括指令,所述指令当由处理器执行时,使得处理器用于:
在矩阵中包括作为图形节点的除了原子之外的其他分子对象,其他分子对象包括原子的一个或多个键或量子态;和
定义图形中其他分子对象到其他对象的距离,使得距离矩阵对于每个元素保持良定义。
20.根据权利要求18所述的介质,进一步包括指令,所述指令当由处理器执行时使得处理器使用损失函数将gtff训练为深度神经网络,形成所述损失函数以将力预测与标记数据集上的基准真值力进行比较,使得使用梯度下降关于所述损失函数来优化网络权重。