arXiv cs.AI· Wenbo Fu, Chenghui Mao, Chengwen Hu, Haifeng Lv, Zhou Lv·· 1 天前AI 评分26
Radial Kernel Attention：面向聚合物机器学习力场长程建模的线性复杂度注意力
Radial Kernel Attention for Long-Range Modeling in Polymer Machine Learning Force Fields
AI 导读
研究者提出 Radial Kernel Attention（RKA），将原子到簇质心的距离映射为学习到的径向特征，并与内容相关的 query、key 做核化重叠，在固定特征维度下以原子数线性复杂度实现全局特征交换。
正文 · AI 翻译
摘要：我们提出径向核注意力（Radial Kernel Attention，RKA），用于聚合物机器学习力场中的长程建模。现有方法通常依赖局部邻居图，这限制了聚合物链及其周围环境之间的信息交流，而显式的全对注意力会带来二次计算成本。RKA 将原子到簇质心的距离映射为学习到的径向特征，并将其核化重叠与依赖内容的查询和键相结合。因子化聚合与读出使得在固定特征维度下，全局特征交换的计算复杂度与原子数呈线性关系。为确保物理一致的预测，我们在 EquiformerV3 局部块之间插入不变标量更新，并通过微分总能量（包括其对径向坐标的依赖）获得保守力。我们的模型在官方 OPoly26 训练集上训练 12 个 epoch，训练后直接在完整官方验证集上评估。匹配的 5M 对比显示，RKA 将每原子能量和力的 MAE 分别降低 67.4% 和 36.3%。20M RKA 模型的总能量 MAE 达到 15.81 meV（每原子 MAE 为 0.1182 meV/atom），力 MAE 为 2.619 meV/Angstrom，在相同验证结构上三项指标均优于 UMA-S-1.2 和 UMA-S-1.2.1。RKA 为聚合物机器学习力场中超越局部图连通性的信息交换提供了一条紧凑路径。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.41675 [cs.AI] |
| （或此版本的 arXiv:2610.41675v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.41675 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Wenbo Fu [查看邮箱]
[v1]
2026年10月30日星期五 12:42:01 UTC（78 KB）
[v2]
2026年11月2日星期一 08:07:37 UTC（78 KB）
来源：arXiv cs.AI · arxiv.org