روش تازه‌ای برای مدل‌سازی برهم‌کنش‌های دوربرد در پلیمرها

در مدل‌های یادگیری ماشین برای نیروهای بین‌اتمی پلیمرها، گراف‌های همسایگی محلی ارتباط میان زنجیره‌های پلیمری و محیط اطرافشان را محدود می‌کنند؛ در مقابل، توجه به همهٔ جفت‌اتم‌ها هزینه‌ای درجه‌دو دارد. پژوهشگران برای رسیدگی به این محدودیت، Radial Kernel Attention (RKA) را پیشنهاد کرده‌اند.

این روش فاصلهٔ اتم‌ها از مرکز خوشه را به ویژگی‌های شعاعیِ یادگرفتنی تبدیل می‌کند و هم‌پوشانی آن‌ها را با پرس‌وجوها و کلیدهای وابسته به محتوا ترکیب می‌کند. به‌گفتهٔ چکیده، تجمیع و خوانشِ فاکتورگیری‌شده امکان تبادل سراسری ویژگی‌ها را با هزینه‌ای خطی نسبت به شمار اتم‌ها فراهم می‌کند، به شرط آنکه ابعاد ویژگی‌ها ثابت بماند.

پژوهشگران RKA را میان بلوک‌های محلی EquiformerV3 قرار داده‌اند. آن‌ها نیروهای پایسته را با مشتق‌گیری از انرژی کل به دست می‌آورند؛ مشتق‌گیری‌ای که وابستگی انرژی به مختصات شعاعی را نیز در بر می‌گیرد. متن در دسترس از ارزیابی انرژی و نیروها نام می‌برد، اما جزئیات نتایج در چکیدهٔ ارائه‌شده کامل نیست.