Equivariant Evidential Deep Learning 기반 인터페이스 포텐셜

초록

본 논문은 원자력학 시뮬레이션에서 힘 예측과 불확실성 추정을 동시에 수행하는 단일 모델 프레임워크 e²IP를 제안한다. 3×3 대칭 양정( SPD) 공분산 텐서를 회전 등변성(equivariant)으로 구성하고, Normal‑Inverse‑Wishart 증거 기반으로 알레아틱·에피스테믹 불확실성을 분리한다. Lie 대수와 행렬 지수 함수를 이용해 SPD를 보장하고, 스펙트럼 안정화 기법으로 수치적 안정성을 확보한다. 다양한 분자 벤치마크에서 기존 비등변 증거 모델과 앙상블 대비 정확도·효율·신뢰성에서 우수함을 입증한다.

상세 분석

e²IP는 SE(3)‑등변 GNN 백본(예: NequIP, MACE) 위에 구축된 증거 기반 회전 등변성 프레임워크이다. 기존 증거 학습(EDL)은 스칼라 목표에만 적용돼 왔으며, 힘과 같은 벡터값을 다룰 때는 회전 변환에 대한 일관성이 결여된다. 이를 해결하기 위해 저자는 힘의 불확실성을 3×3 대칭 양정 공분산 텐서 Σ로 모델링한다. Σ는 회전 R에 대해 Σ′=RΣRᵀ를 만족해야 하며, 이는 통계적 변환 규칙에서 필연적이다. 저자는 Σ를 직접 파라미터화하는 대신, 대칭 행렬 S를 Lie 대수 공간에서 예측하고, Σ=exp(S) 형태로 변환한다. 행렬 지수는 고유값을 양수로 보장하고, exp(RSRᵀ)=Rexp(S)Rᵀ이므로 등변성을 유지한다.

S는 스칼라 채널(s)와 무차원 2채널(t)로 구성된 (0ᵉ⊕2ᵉ) 표현을 통해 얻는다. 스칼라 채널은 트레이스(동등성) 성분을, 2채널은 무향 대칭 무추출 성분을 담당한다. 이 두 채널을 선형 매핑(Q)으로 Cartesian 대칭 행렬로 변환한 뒤, 스펙트럼 안정화를 위해 s와 t에 비선형 감쇠(ϕ_low, ϕ_high)를 적용한다. 특히 t의 크기만 스케일링하고 방향은 보존함으로써 회전 불변성을 유지한다.

불확실성 모델링은 Normal‑Inverse‑Wishart(NIW) 사전으로 설정한다. Σ는 Wishart⁻¹(Ψ,ν)에서 샘플링되고, 평균 μ는 Σ에 대한 정규분포 N(γ, Σ/κ)로 정의된다. 여기서 Ψ=νΣ₀, Σ₀는 위에서 만든 SPD 텐서이며, ν와 κ는 증거 파라미터이다. NIW를 적분하면 다변량 Student‑t 예측분포가 얻어지고, 알레아틱 불확실성 U_ale=E