E(n) Equivariant Graph Neural Network
претренированные веса для 3D динамики частиц
1 мин чтенияобновлено
Модель реализует E(n) Equivariant Graph Neural Network (графовая нейросеть с инвариантностью к вращениям и трансляциям в 3D) для молекулярных конформаций, систем частиц и гамильтоновой динамики. Набор весов включает геометрик-месседж-пассинг движок (geometric message-passing inference engine) с архитектурой из 4 эквивариантных слоев. Веса занимают всего 80.6 KB и поставляются в нативном формате safetensors. Модель пригодится исследователям и разработчикам, работающим с 3D симуляциями и молекулярным моделированием.
Ключевые особенности
- Node Features $d_h$: 16 инвариантных скалярных признаков (масса, заряд, тип атома)
- Edge Features $d_m$: 32-мерное радиальное представление сообщений
- Equivariant Layers: 4 непрерывных блока передачи сообщений по координатам
- Cutoff Radius: пороговое значение радиуса радиального графа 2.8 Å
Что можно сделать
- Предсказать следующие координаты и скорости для систем частиц с помощью Python-библиотеки
- Использовать веса для моделирования 3D молекулярных конформаций и физических систем
- Протестировать движок с помощью сопутствующего интерактивного 3D Studio пространства
Пример
import json
import numpy as np
from safetensors.numpy import load_file
from egnn_3d import EGNN3dDynamicsEngine
tensors = load_file("model.safetensors")
with open("config.json", "r") as f:
config = json.load(f)
engine = EGNN3dDynamicsEngine(tensors, config)
N = 8
h = np.random.randn(N, 16).astype(np.float32)
x = np.random.randn(N, 3).astype(np.float32)
x_next, v_pred = engine.predict_displacements(h, x)
print("Updated coordinates:", x_next.shape)Подробнее
Относительная остаточная погрешность вращения: < 10^{-6}%Активация: SiLU / Swish
Формат весов: model.safetensors (80.6 KB)










Комментарии