Espaloma图神经网络机制从Graph到参数回归版本声明本教程基于 espaloma 0.3.2conda-forgemamba create -n espaloma -c conda-forge espaloma0.3.2、openff-toolkit 0.19.0。模型权重espaloma-0.3.2.pt兼容 0.3.1/0.3.2/0.4.0若加载本地.pt文件必须显式调用model.eval()后再做推理。OpenMM ≥ 8.x。材料以官方文档 https://docs.espaloma.org 与官方仓库 https://github.com/choderalab/espaloma 为准代码片段在前 3 篇已验证锚点Molecule → esp.Graph → get_model → openmm_system_from_graph的基础上展开教学示意凡是依赖具体隐层命名与张量形状的部分均明确标注教学示意以官方实现为准。一句话结论esp.Graph(molecule)先把分子转为以原子为节点、以键/角/二面角为层次化边的异构图heterograph再经esp.get_model(latest)加载的消息传递与 invariant 回归堆栈把每个化学环境的连续嵌入映射为键、角、二面角和非键参数最终由esp.graphs.deploy.openmm_system_from_graph写成 OpenMM System。〇、认知问题站在进入本系列第 3 篇的读者视角请带着以下 4 个问题读完全文篇末认知问题回显会逐一作答Espaloma 到底用什么样的数据结构表示分子它凭什么能覆盖传统力场覆盖不到的分子heterograph 里原子节点/键边/角超边/二面角超边分别长什么样张量形状代表什么“消息传递层”如 SAGEConv在 Espaloma 里做了什么为什么原子嵌入能代表化学环境最后一层凭什么能同时给出键、角、二面角、非键四类参数然后再交给 OpenMM一、机制解析传统力场AMBER/GAFF/CHARMM的致命短板在于原子类型手工指派每一种局部化学环境都要预定义一套类型遇到新型杂环、含硼/含氟的候选药物分子时很可能找不到匹配的键或二面角参数而直接抛 MissingParameterError。AI 力场MLFF机器学习力场之所以能覆盖新分子核心是它不再离散地枚举类型而是把化学环境变成连续向量。一句话抓住差异传统力场拿查表插值解决缺参数Espaloma 拿从一个学到的函数即时算出参数解决缺参数。查表依赖预先枚举的完备性本质是无穷抽屉问题——分子的化学空间无限人工整理的抽屉永远填不满而可微回归函数对任意输入都能给出一组连续输出天然具备外推能力。代价是它不再给你一张可翻阅的参数表而是给一个黑箱函数这正需要在调参、调试、部署时理解图→参数的完整路径。1.1 图的四层层次nodes → n1 → n2 → n3分子本质是一个多体系统只给原子-键关系二体不够还必须有角三体和二面角四体。Espaloma 的做法是把不同阶的关系组织成一张层次化异构图本征边/二阶关系键每根化学键。高阶关系角每对共用一个中心原子的三原子组、二面角每四个连续成键的原子组。同名关系再登记 (“register”) 成聚合结构供消息传递使用。用 ASCII 图表达一个 5 原子的线性骨架 A-b1-B-b2-C-b3-D-b4-E(b1) (b2) (b3) (b4) A ----- B ----- C ----- D ----- E ← 键nodebond 关系图 \ a1 / \ a2 / \ a3 / \ / \ / \ / ← 角三原子共心 A-B-C B-C-D C-D-E ← 都共享中心原子 B/C/D \ d1 /\ d2 /\ A-B-C-D B-C-D-E ← 二面角四原子组1.2 参数回归流水线Espaloma 的骨干结构是经典的消息传递 → 集合(aggregate) → 读出(readout)三段设计原子初始特征(化学元素嵌入原子序数…) ▼ [消息传递层] SAGEConv 等逐层更新原子嵌入 node_embedding ▼ invariant 层把 n1(键)/n2(角)/n3(二面角)做“不变”聚合 ▼ 读出层对四类项分别预测 (K, r0) 键、(K, θ0) 角、傅里叶级数二面角系数、(ϵ, σ) LJ ▼ deploy按 Topology 映射回原子对/三元组/四元组 → 拼成 OpenMM System用 openmm 术语说Espaloma 输出的力场参数并不是一张参数表而是一个可求值的函数θ f(化学环境嵌入)deploy 阶段再把它还原为HarmonicBondForce、HarmonicAngleForce、PeriodicTorsionForce、NonbondedForce等 OpenMM Force 的数值。这里补充一个为什么用图而非独立预测每个原子的关键点模型的输出必须满足物理要求——同价键伸缩能、同角弯曲能必须对原子排列的任何置换不变。若让网络直接预测原子1的LJ参数一旦你把原子1换成原子2它们在化学上等价、图里编号重排网络却给出不同参数物理就崩了。Espaloma 的解决思路是per-relationship invariance把参数作为键/角/二面角这类关系的输出再用消息传递聚合得到的、对关系内原子顺序不变的嵌入去回归从而保证等价化学关系获得一致参数。理解这一点你就能读懂为什么代码里会有那么多aggregate集合与invariant层——它们存在的意义就是消除无关编号的影响。1.3 图构造的输入前提参数回归的起点是Molecule.from_smiles(...)OpenFF Toolkit 的对象它保证分子化学键、芳香性、形式电荷的一致解析。esp.Graph(molecule)内部的 responsibilities 大致为元素种类 → 节点特征如 one-hot 与周期表属性molecule.bonds→ 键边枚举所有成键三元组/四元组 → 角与二面角超边。ESP 与 CHARGE 等标量属性则作为回归头在后续版本EspalomaCharge中内置。二、完整代码与逐行剖析下面按图构造 → 前向推理 → 查看参数张量三段给出教学示意代码。锚点 A 的合规路径openmm_system_from_graph一定会成功内层级联按官方源码语义推算形状以实测为准故标注教学示意。2.1 图构造与 heterograph 结构# filename: 06_build_graph.py# 教学示意基于 espaloma 官方部署锚点打印 Graph 内部结构importespalomaasespfromopenff.toolkit.topologyimportMolecule# 咖啡因分子CN1CNC2C1C(O)N(C(O)N2C)CmoleculeMolecule.from_smiles(CN1CNC2C1C(O)N(C(O)N2C)C)# 1) Graph 负责把刚性 SMILES 描述转成带嵌入的关系图molecule_graphesp.Graph(molecule)# 2) heterograph 是其核心数据dgl 持久化异构图gmolecule_graph.heterographprint(type(g) ,type(g).__name__)# 教学示意nodes 返回图中各 register 的节点张量print(节点数量:,g.nodes[n1].shape)逐行说明Molecule.from_smiles光保证化学正确性真正可参数化的是esp.Graph。heterograph一词特指 DGL 中不同类型的节点/边分别编号的图这正是 Espaloma 直接输入的格式。2.2 加载模型并对一层做显式前向# filename: 06_forward_debug.py# 教学示意逐层前向调试模型内部层名以官方实现为准importtorchimportespalomaasespfromopenff.toolkit.topologyimportMolecule moleculeMolecule.from_smiles(CN1CNC2C1C(O)N(C(O)N2C)C)mgesp.Graph(molecule)gmg.heterograph modelesp.get_model(latest)# 强制进入 eval省略 auto load 时的显式状态保证确定性model.eval()withtorch.no_grad():# 教学示意model 的 rel 结构如 model[0] 为消息传递/读出模块以官方为准outmodel(g)# heterograph 里 n1 节点注册量与分子重原子数一致n_atomsmolecule.n_atomsprint(重原子数:,n_atoms,| 注册 n1 节点数:,g.nodes[n1].shape[0])print(模型前向完成返回键 name set:,set(g.ndata.keys())|set(g.edata.keys()))说明esp.get_model(latest)会按espaloma-0.3.2.pt加载内置权重兼容 0.3.1/0.3.2/0.4.0。此处model.eval()是官方部署锚点的明确要求防止 BN/Dropout 在推理时改变行为。2.3 查看预测参数张量教学示意# filename: 06_inspect_params.py# 教学示意读取推断后最新的 key 参数键/角/二面角口径以官方 espaloma 源码为准importtorchimportespalomaasespfromopenff.toolkit.topologyimportMolecule moleculeMolecule.from_smiles(CCCC)# 正丁烷四原子骨架mgesp.Graph(molecule)gmg.heterograph modelesp.get_model(latest)model.eval()withtorch.no_grad():model(g)# 教学示意一套口径——# parameter keys 以 espaloma 源码中用于键/角/二面角的注册键名为准forreg,keyin((n1,key),(n2,key),(n3,key)):pg.nodes[reg].data.get(key,None)ifpisnotNone:print(f[{reg}]{key}shape {tuple(p.shape)}, dtype{p.dtype})这段代码的目标是看见数值而非依赖精确键名正丁烷有 4 个重原子、3 根键、2 个角、1 个主链二面角可据此推断对应张量的行数应与角/二面角个数相称从而反向验证你对图的从属关系的理解。真实键名以espaloma官方源码为准。2.4 完整部署锚点已验证# filename: 06_deploy_openmm.py# 锚点 A官方 README 部署示例 —— 参数回归的落点就是 OpenMM Systemimportespalomaasespfromopenff.toolkit.topologyimportMolecule moleculeMolecule.from_smiles(CN1CNC2C1C(O)N(C(O)N2C)C)molecule_graphesp.Graph(molecule)espaloma_modelesp.get_model(latest)espaloma_model(molecule_graph.heterograph)# 前向完成参数回归openmm_systemesp.graphs.deploy.openmm_system_from_graph(molecule_graph)print(生成的 OpenMM Force 数:,openmm_system.getNumForces())这四行就是全篇的收束一次前向把咖啡因的化学环境离散进连续参数空间deploy 则将其落地为可跑的openmm_system。1三、常见报错与排查报错/现象根因处置mol.from_smiles抛解析错误SMILES 非标准/含未支持元素先清洗分子用 RDKit 规范化再喂给Molecule.from_smiles推理结果每次不同未model.eval()或用非确定性 seed显式model.eval()固定torch.manual_seed加载.*.pt版本不兼容.pt对 espaloma 版本敏感用espaloma-0.3.2.pt兼容 0.3.1/0.3.2/0.4.0openmm_system.getNumForces()为 0 或年代久远该图未做前向即 deploy先调用espaloma_model(heterograph)再 deployCUDA 设备报错无 GPU 或 torch 编译无 CUDA代码默认 CPU 也能跑显式device用 CPU 兜底四、动手练习同分子、两个模型对比见 2.2用esp.get_model(latest)与esp.get_model(espaloma-0.3.2)若可用分别对咖啡因跑一次前向比较key参数张量的均值/方差是否一致。图结构自检把 2.1 中的分子换成CCCC、C1CCCCC1苯、CCO检查g.nodes[n1].shape[0]是否分别等于 4、6、3。逐层前向参照 2.2 的model(g)骨架尝试打印中间n1节点 embedding 的 shape以官方源码为准体会原子嵌入的维度与键长无关、只与化学环境相关。参数回归与物理一致性读 2.3 输出时核对键参数行数 化学键数、角参数行数 角数建立图为纲、参数随之的直觉。五、小结与下一篇预告这篇把 “Graph → 参数回归” 讲透了esp.Graph(molecule)生成层次化异构图消息传递层把原子化学环境编码成连续嵌入invariant/读出层回归出键、角、二面角、非键四类参数deploy 再落成 OpenMM System。理解了连续参数化你就能解释它为何能覆盖新分子也就能在遇到导入/模型版本问题时快速定位根因。下一篇07将停在下钻处拿到openmm_system后如何正确构造System/Topology/Integrator选LangevinMiddleIntegrator用LocalEnergyMinimizer做能量最小化并输出势能——把参数在手推进到跑得起来。本篇认知问题回显FAQQ1Espaloma 用什么数据结构表示分子它为什么能覆盖传统力场覆盖不到的分子AEspaloma 用esp.Graph(molecule)构造的层次化异构图heterograph表示分子把化学环境编码为连续原子嵌入并回归参数不再依赖预定义原子类型因此能覆盖新型杂环等缺乏参数项。Q2heterograph 中的原子节点、键边、角与二面角超边分别长什么样Aheterograph 是 DGL 异构图n1 为原子节点重原子数与molecule.n_atoms一致键登记为 n1 之间的边角与二面角则作为高次关系n2/n3 或相应 register保存各自有独立的张量 shape 与之对应。Q3Espaloma 的消息传递层如 SAGEConv做了什么原子嵌入为何能代表化学环境A消息传递层让每个原子不断收集其键邻域、角邻域与二面角邻域的信息并更新自身嵌入因此收敛后的嵌入含有多体化学环境信息成为后续回归的依据。Q4最后一层凭什么同时给出键、角、二面角和非键参数再交给 OpenMMAinvariant/读出层分别对不同阶关系n1 键、n2 角、n3 二面角与非键做只依赖集合的回归得到(K,r0)、(K,θ0)、傅里叶二面角系数与(ϵ,σ)再由openmm_system_from_graph映射进HarmonicBondForce、HarmonicAngleForce、PeriodicTorsionForce与NonbondedForce。注意deploy 对无溶剂体系仅产生空非键项加显式溶剂由后续篇8处理。 ↩︎ 
长河君 · 2026/9/4 18:45:12 · 阅读 1.2k AI力场二次开发教程（06）：Espaloma 图神经网络机制——Graph 到参数回归
Espaloma图神经网络机制从Graph到参数回归版本声明本教程基于 espaloma 0.3.2conda-forgemamba create -n espaloma -c conda-forge espaloma0.3.2、openff-toolkit 0.19.0。模型权重espaloma-0.3.2.pt兼容 0.3.1/0.3.2/0.4.0若加载本地.pt文件必须显式调用model.eval()后再做推理。OpenMM ≥ 8.x。材料以官方文档 https://docs.espaloma.org 与官方仓库 https://github.com/choderalab/espaloma 为准代码片段在前 3 篇已验证锚点Molecule → esp.Graph → get_model → openmm_system_from_graph的基础上展开教学示意凡是依赖具体隐层命名与张量形状的部分均明确标注教学示意以官方实现为准。一句话结论esp.Graph(molecule)先把分子转为以原子为节点、以键/角/二面角为层次化边的异构图heterograph再经esp.get_model(latest)加载的消息传递与 invariant 回归堆栈把每个化学环境的连续嵌入映射为键、角、二面角和非键参数最终由esp.graphs.deploy.openmm_system_from_graph写成 OpenMM System。〇、认知问题站在进入本系列第 3 篇的读者视角请带着以下 4 个问题读完全文篇末认知问题回显会逐一作答Espaloma 到底用什么样的数据结构表示分子它凭什么能覆盖传统力场覆盖不到的分子heterograph 里原子节点/键边/角超边/二面角超边分别长什么样张量形状代表什么“消息传递层”如 SAGEConv在 Espaloma 里做了什么为什么原子嵌入能代表化学环境最后一层凭什么能同时给出键、角、二面角、非键四类参数然后再交给 OpenMM一、机制解析传统力场AMBER/GAFF/CHARMM的致命短板在于原子类型手工指派每一种局部化学环境都要预定义一套类型遇到新型杂环、含硼/含氟的候选药物分子时很可能找不到匹配的键或二面角参数而直接抛 MissingParameterError。AI 力场MLFF机器学习力场之所以能覆盖新分子核心是它不再离散地枚举类型而是把化学环境变成连续向量。一句话抓住差异传统力场拿查表插值解决缺参数Espaloma 拿从一个学到的函数即时算出参数解决缺参数。查表依赖预先枚举的完备性本质是无穷抽屉问题——分子的化学空间无限人工整理的抽屉永远填不满而可微回归函数对任意输入都能给出一组连续输出天然具备外推能力。代价是它不再给你一张可翻阅的参数表而是给一个黑箱函数这正需要在调参、调试、部署时理解图→参数的完整路径。1.1 图的四层层次nodes → n1 → n2 → n3分子本质是一个多体系统只给原子-键关系二体不够还必须有角三体和二面角四体。Espaloma 的做法是把不同阶的关系组织成一张层次化异构图本征边/二阶关系键每根化学键。高阶关系角每对共用一个中心原子的三原子组、二面角每四个连续成键的原子组。同名关系再登记 (“register”) 成聚合结构供消息传递使用。用 ASCII 图表达一个 5 原子的线性骨架 A-b1-B-b2-C-b3-D-b4-E(b1) (b2) (b3) (b4) A ----- B ----- C ----- D ----- E ← 键nodebond 关系图 \ a1 / \ a2 / \ a3 / \ / \ / \ / ← 角三原子共心 A-B-C B-C-D C-D-E ← 都共享中心原子 B/C/D \ d1 /\ d2 /\ A-B-C-D B-C-D-E ← 二面角四原子组1.2 参数回归流水线Espaloma 的骨干结构是经典的消息传递 → 集合(aggregate) → 读出(readout)三段设计原子初始特征(化学元素嵌入原子序数…) ▼ [消息传递层] SAGEConv 等逐层更新原子嵌入 node_embedding ▼ invariant 层把 n1(键)/n2(角)/n3(二面角)做“不变”聚合 ▼ 读出层对四类项分别预测 (K, r0) 键、(K, θ0) 角、傅里叶级数二面角系数、(ϵ, σ) LJ ▼ deploy按 Topology 映射回原子对/三元组/四元组 → 拼成 OpenMM System用 openmm 术语说Espaloma 输出的力场参数并不是一张参数表而是一个可求值的函数θ f(化学环境嵌入)deploy 阶段再把它还原为HarmonicBondForce、HarmonicAngleForce、PeriodicTorsionForce、NonbondedForce等 OpenMM Force 的数值。这里补充一个为什么用图而非独立预测每个原子的关键点模型的输出必须满足物理要求——同价键伸缩能、同角弯曲能必须对原子排列的任何置换不变。若让网络直接预测原子1的LJ参数一旦你把原子1换成原子2它们在化学上等价、图里编号重排网络却给出不同参数物理就崩了。Espaloma 的解决思路是per-relationship invariance把参数作为键/角/二面角这类关系的输出再用消息传递聚合得到的、对关系内原子顺序不变的嵌入去回归从而保证等价化学关系获得一致参数。理解这一点你就能读懂为什么代码里会有那么多aggregate集合与invariant层——它们存在的意义就是消除无关编号的影响。1.3 图构造的输入前提参数回归的起点是Molecule.from_smiles(...)OpenFF Toolkit 的对象它保证分子化学键、芳香性、形式电荷的一致解析。esp.Graph(molecule)内部的 responsibilities 大致为元素种类 → 节点特征如 one-hot 与周期表属性molecule.bonds→ 键边枚举所有成键三元组/四元组 → 角与二面角超边。ESP 与 CHARGE 等标量属性则作为回归头在后续版本EspalomaCharge中内置。二、完整代码与逐行剖析下面按图构造 → 前向推理 → 查看参数张量三段给出教学示意代码。锚点 A 的合规路径openmm_system_from_graph一定会成功内层级联按官方源码语义推算形状以实测为准故标注教学示意。2.1 图构造与 heterograph 结构# filename: 06_build_graph.py# 教学示意基于 espaloma 官方部署锚点打印 Graph 内部结构importespalomaasespfromopenff.toolkit.topologyimportMolecule# 咖啡因分子CN1CNC2C1C(O)N(C(O)N2C)CmoleculeMolecule.from_smiles(CN1CNC2C1C(O)N(C(O)N2C)C)# 1) Graph 负责把刚性 SMILES 描述转成带嵌入的关系图molecule_graphesp.Graph(molecule)# 2) heterograph 是其核心数据dgl 持久化异构图gmolecule_graph.heterographprint(type(g) ,type(g).__name__)# 教学示意nodes 返回图中各 register 的节点张量print(节点数量:,g.nodes[n1].shape)逐行说明Molecule.from_smiles光保证化学正确性真正可参数化的是esp.Graph。heterograph一词特指 DGL 中不同类型的节点/边分别编号的图这正是 Espaloma 直接输入的格式。2.2 加载模型并对一层做显式前向# filename: 06_forward_debug.py# 教学示意逐层前向调试模型内部层名以官方实现为准importtorchimportespalomaasespfromopenff.toolkit.topologyimportMolecule moleculeMolecule.from_smiles(CN1CNC2C1C(O)N(C(O)N2C)C)mgesp.Graph(molecule)gmg.heterograph modelesp.get_model(latest)# 强制进入 eval省略 auto load 时的显式状态保证确定性model.eval()withtorch.no_grad():# 教学示意model 的 rel 结构如 model[0] 为消息传递/读出模块以官方为准outmodel(g)# heterograph 里 n1 节点注册量与分子重原子数一致n_atomsmolecule.n_atomsprint(重原子数:,n_atoms,| 注册 n1 节点数:,g.nodes[n1].shape[0])print(模型前向完成返回键 name set:,set(g.ndata.keys())|set(g.edata.keys()))说明esp.get_model(latest)会按espaloma-0.3.2.pt加载内置权重兼容 0.3.1/0.3.2/0.4.0。此处model.eval()是官方部署锚点的明确要求防止 BN/Dropout 在推理时改变行为。2.3 查看预测参数张量教学示意# filename: 06_inspect_params.py# 教学示意读取推断后最新的 key 参数键/角/二面角口径以官方 espaloma 源码为准importtorchimportespalomaasespfromopenff.toolkit.topologyimportMolecule moleculeMolecule.from_smiles(CCCC)# 正丁烷四原子骨架mgesp.Graph(molecule)gmg.heterograph modelesp.get_model(latest)model.eval()withtorch.no_grad():model(g)# 教学示意一套口径——# parameter keys 以 espaloma 源码中用于键/角/二面角的注册键名为准forreg,keyin((n1,key),(n2,key),(n3,key)):pg.nodes[reg].data.get(key,None)ifpisnotNone:print(f[{reg}]{key}shape {tuple(p.shape)}, dtype{p.dtype})这段代码的目标是看见数值而非依赖精确键名正丁烷有 4 个重原子、3 根键、2 个角、1 个主链二面角可据此推断对应张量的行数应与角/二面角个数相称从而反向验证你对图的从属关系的理解。真实键名以espaloma官方源码为准。2.4 完整部署锚点已验证# filename: 06_deploy_openmm.py# 锚点 A官方 README 部署示例 —— 参数回归的落点就是 OpenMM Systemimportespalomaasespfromopenff.toolkit.topologyimportMolecule moleculeMolecule.from_smiles(CN1CNC2C1C(O)N(C(O)N2C)C)molecule_graphesp.Graph(molecule)espaloma_modelesp.get_model(latest)espaloma_model(molecule_graph.heterograph)# 前向完成参数回归openmm_systemesp.graphs.deploy.openmm_system_from_graph(molecule_graph)print(生成的 OpenMM Force 数:,openmm_system.getNumForces())这四行就是全篇的收束一次前向把咖啡因的化学环境离散进连续参数空间deploy 则将其落地为可跑的openmm_system。1三、常见报错与排查报错/现象根因处置mol.from_smiles抛解析错误SMILES 非标准/含未支持元素先清洗分子用 RDKit 规范化再喂给Molecule.from_smiles推理结果每次不同未model.eval()或用非确定性 seed显式model.eval()固定torch.manual_seed加载.*.pt版本不兼容.pt对 espaloma 版本敏感用espaloma-0.3.2.pt兼容 0.3.1/0.3.2/0.4.0openmm_system.getNumForces()为 0 或年代久远该图未做前向即 deploy先调用espaloma_model(heterograph)再 deployCUDA 设备报错无 GPU 或 torch 编译无 CUDA代码默认 CPU 也能跑显式device用 CPU 兜底四、动手练习同分子、两个模型对比见 2.2用esp.get_model(latest)与esp.get_model(espaloma-0.3.2)若可用分别对咖啡因跑一次前向比较key参数张量的均值/方差是否一致。图结构自检把 2.1 中的分子换成CCCC、C1CCCCC1苯、CCO检查g.nodes[n1].shape[0]是否分别等于 4、6、3。逐层前向参照 2.2 的model(g)骨架尝试打印中间n1节点 embedding 的 shape以官方源码为准体会原子嵌入的维度与键长无关、只与化学环境相关。参数回归与物理一致性读 2.3 输出时核对键参数行数 化学键数、角参数行数 角数建立图为纲、参数随之的直觉。五、小结与下一篇预告这篇把 “Graph → 参数回归” 讲透了esp.Graph(molecule)生成层次化异构图消息传递层把原子化学环境编码成连续嵌入invariant/读出层回归出键、角、二面角、非键四类参数deploy 再落成 OpenMM System。理解了连续参数化你就能解释它为何能覆盖新分子也就能在遇到导入/模型版本问题时快速定位根因。下一篇07将停在下钻处拿到openmm_system后如何正确构造System/Topology/Integrator选LangevinMiddleIntegrator用LocalEnergyMinimizer做能量最小化并输出势能——把参数在手推进到跑得起来。本篇认知问题回显FAQQ1Espaloma 用什么数据结构表示分子它为什么能覆盖传统力场覆盖不到的分子AEspaloma 用esp.Graph(molecule)构造的层次化异构图heterograph表示分子把化学环境编码为连续原子嵌入并回归参数不再依赖预定义原子类型因此能覆盖新型杂环等缺乏参数项。Q2heterograph 中的原子节点、键边、角与二面角超边分别长什么样Aheterograph 是 DGL 异构图n1 为原子节点重原子数与molecule.n_atoms一致键登记为 n1 之间的边角与二面角则作为高次关系n2/n3 或相应 register保存各自有独立的张量 shape 与之对应。Q3Espaloma 的消息传递层如 SAGEConv做了什么原子嵌入为何能代表化学环境A消息传递层让每个原子不断收集其键邻域、角邻域与二面角邻域的信息并更新自身嵌入因此收敛后的嵌入含有多体化学环境信息成为后续回归的依据。Q4最后一层凭什么同时给出键、角、二面角和非键参数再交给 OpenMMAinvariant/读出层分别对不同阶关系n1 键、n2 角、n3 二面角与非键做只依赖集合的回归得到(K,r0)、(K,θ0)、傅里叶二面角系数与(ϵ,σ)再由openmm_system_from_graph映射进HarmonicBondForce、HarmonicAngleForce、PeriodicTorsionForce与NonbondedForce。注意deploy 对无溶剂体系仅产生空非键项加显式溶剂由后续篇8处理。 ↩︎