MōLe-Λ: Learning the Coupled-Cluster Response State for Energies, Gradients, and Properties¶

会议: ICML 2026
arXiv: 2605.29622
代码: 无
领域: 物理 / 量子化学 / 等变神经网络
关键词: 耦合簇理论, CCSD, Λ 振幅, 等变神经网络, 分子轨道, 响应性质

一句话总结¶

MōLe-Λ 把分子轨道学习从只预测耦合簇右态 \(T\) 振幅扩展到同时预测左态 \(\Lambda\) 振幅，用一套等变网络从局域化 Hartree–Fock 轨道直接读出 \((T_1,T_2,\Lambda_1,\Lambda_2)\)，在 QM7 上能量/受力 MAE 仅 0.10 mHa / 0.12 mHa/Bohr，同时把偶极、四极、极化率、电子密度、对密度等响应性质都从同一个学到的"响应态"里解出，相对 CCSD+\(\Lambda\) 求解器加速两个数量级以上。

研究背景与动机¶

领域现状：耦合簇理论（CCSD/CCSD(T)）被视为量子化学的"金标准"，但其形式标度为 \(\mathcal{O}(N^6)\)，分子稍微大一点就跑不动。机器学习已经从两条路缓解这个矛盾：一是直接拟合能量与受力的机器学习势（MLIP, Mace/eSEN 等）；二是学习密度、密度矩阵或 Fock 矩阵等一粒子量来加速自洽场或重建单粒子观测量。

现有痛点：MLIP 只能产出能量/受力，拿不到偶极、四极、极化率这些依赖关联电子态的量；学密度/Hamiltonian 又只能恢复单粒子层面的信息。任何依赖完整响应态的量（偶极/四极/极化率/电子密度/电子对密度）都必须经由耦合簇拉格朗日里的左态 \(\Lambda\) 振幅，而 \(\Lambda\) 方程自身的求解开销仍然是 \(\mathcal{O}(N^6)\)，没有任何加速。

核心矛盾：CC 理论并非对右态 \(T\) 振幅本身变分，因此能量对外参 \(\xi\) 的全导数 \(dE/d\xi\) 含有额外的 \(\partial t_\mu/\partial \xi\) 项；只有引入 \(\Lambda\) 作为伴随变量，把目标改写为拉格朗日 \(\mathcal{L}(T,\Lambda)\) 后才有 \(dE/d\xi = \partial \mathcal{L}/\partial \xi\)。先前的 MōLe（Thiede et al., 2026）只学了 \(T_1, T_2\)，能拿能量却拿不到松弛响应观测量。

本文目标：(i) 训练单一神经网络同时给出 \((T_1,T_2,\Lambda_1,\Lambda_2)\)；(ii) 保持原 MōLe 的等变/局域/尺寸可扩展先验；(iii) 不为每个性质单独训练读出头，所有下游量都通过标准 CC 后处理从振幅算出；(iv) 跨分子大小与几何畸变都能稳定外推。

切入角度：观察 \(\Lambda_1,\Lambda_2\) 的张量结构与 \(T_1,T_2\) 完全对称——都是占据/虚轨道指标上的反对称张量，都满足同样的轨道相位翻转奇等变性、同样的非相互作用片段间应消失的局域性。因此只需复用 MōLe 的共享等变 backbone，再镜像出两个"奇读出头"即可，无需重设计架构。

核心 idea：把"学性质"换成"学态"——预测完整的 CCSD 响应态 \((T,\Lambda)\)，让传统 CC 后处理（1-RDM、2-RDM、CPHF）从同一对象里解析地导出所有可观测量。

方法详解¶

整体框架¶

输入是分子几何 \(\{\mathbf{R}_A\}\)；先跑一次廉价的限制性 Hartree–Fock 拿到 MO 系数 \(\mathbf{C}\)；做占据/虚轨道分别局域化（Foster–Boys 类），把全分子非局域 canonical MO 转成可跨分子迁移的局域 MO；把每个局域 MO 当作一张图，原子上的 AO 系数向量做 padding 后嵌入到等变隐空间；共享 backbone 在 MO 内做消息传递、在 MO 间做注意力交互；最后由四个独立"奇读出头"分别给出 \(T_1, T_2, \Lambda_1, \Lambda_2\)。预测出的振幅交给标准 CCSD 后处理（拉格朗日、CPHF、1-/2-RDM 重建）生成能量、受力、偶极、四极、极化率、密度与对密度。

关键设计¶

共享等变 backbone + 四头镜像读出:
- 功能：用一个 backbone 一次性产出 \(T\) 与 \(\Lambda\) 四个振幅张量，避免训练四个独立模型。
- 核心思路：每个局域 MO 嵌成等变隐表示，经 Odd-MACE 消息传递与 MO 间注意力得到对偶/四元不变特征 \(\mathbf{y}_{ia}\) 与 \(\mathbf{y}_{ijab}\)；singles 由 \(t_i^a = \mathrm{OddReadout}_{T_1}(\mathbf{y}_{ia})\)、\(\lambda_a^i = \mathrm{OddReadout}_{\Lambda_1}(\mathbf{y}_{ia})\) 给出；doubles 由 \(t_{ij}^{ab} = \mathrm{OddReadout}_{T_2}(\mathbf{y}_{ijab})\)、\(\lambda_{ab}^{ij} = \mathrm{OddReadout}_{\Lambda_2}(\mathbf{y}_{ijab})\) 给出。"奇读出"指对轨道相位翻转 sign-equivariant，保证预测振幅在 MO 相位规范下行为正确。
- 设计动机：四个张量满足同一组对称性与同样的反对称指标结构，强制共享 backbone 既减少参数又把它们绑定在同一隐空间，从而保留下游 CC 后处理所要求的代数一致性；四头镜像同时令 \(\Lambda\) 的归纳偏置与 \(T\) 完全对齐。
MP2 残差目标:
- 功能：在低数据区把"学整张量"改成"学相对 MP2 的修正"，让网络只学物理上小但化学上关键的高阶相关。
- 核心思路：闭壳实振幅情形下 MP2 给出零阶基线 \(t_{ij,\mathrm{MP2}}^{ab} = \langle ij||ab\rangle / (\varepsilon_i+\varepsilon_j-\varepsilon_a-\varepsilon_b)\)，\(T_1^{\mathrm{MP2}}=0\)，且 \(\Lambda_2^{\mathrm{MP2}} = T_2^{\mathrm{MP2}}\)、\(\Lambda_1^{\mathrm{MP2}}=0\)。把 canonical 基下的 MP2 振幅用同一组局域化矩阵转到局域规范后，残差模式让网络拟合 \(\Delta t_{ij}^{ab} = t_{ij,\mathrm{CCSD}}^{ab} - t_{ij,\mathrm{MP2}}^{ab}\) 与 \(\Delta \lambda_{ab}^{ij} = \lambda_{ab,\mathrm{CCSD}}^{ij} - t_{ij,\mathrm{MP2}}^{ab}\)；直接模式则不减基线。
- 设计动机：CCSD 标签极贵（QM7 重算一次都要专门的 GPU 集群），低数据下网络很难把全部相关结构都学出来；用 MP2 把已知的主阶动力学相关搬掉，让 NN 只补"差值"，等价于把物理先验注入到目标里，显著降低样本复杂度。
振幅重建损失而非性质损失:
- 功能：所有性质都不进损失函数，只监督四个振幅张量，确保模型学的是"态"而非"性质"。
- 核心思路：每个分子的损失为 \(\mathcal{J}_{\mathrm{amp}} = \frac{1}{B}\sum_{b}\sum_{X\in\{T_1,T_2,\Lambda_1,\Lambda_2\}} w_X \sum_{n=1}^{N_X^{(b)}} (\hat X_{b,n} - X_{b,n}^{\mathrm{ref}})^2\)；本文权重 \(w_X\) 全设为 1。下游能量来自 \(E_{\mathrm{corr}} = \sum_{ijab}(\frac{1}{4}t_{ij}^{ab}+\frac{1}{2}t_i^a t_j^b)\langle ij||ab\rangle\)，受力来自 \(\mathbf{F}_A = -\partial \mathcal{L}(T,\Lambda)/\partial \mathbf{R}_A\)（含 CPHF 轨道响应），单/二粒子观测量通过 1-RDM \(\gamma_{pq}=\langle \Phi_0|(1+\hat\Lambda)e^{-\hat T}a_p^\dagger a_q e^{\hat T}|\Phi_0\rangle\) 与 2-RDM \(\Gamma_{pq,rs}\) 重建。
- 设计动机：直接监督某个具体性质会让模型只在该性质上精确、其他性质失真；监督振幅则强制网络拟合整个响应态，所有性质都享受同一组振幅的代数一致性，并自然支持还没被监督过的新观测量（如未来想算高阶多极矩、电子相关熵等）。

实验关键数据¶

主实验¶

QM7 训练（5732 分子）/测试（1433 分子）+ 三组泛化集（18 氨基酸、100 PubChem 14 重原子分子、三种几何畸变扫描），CCSD/def2-SVP 标签。能量与受力 MAE（单位 mHa, mHa/Bohr）：

方法	QM7 E	QM7 F	氨基酸 E	氨基酸 F	PubChem E	PubChem F	Diels-Alder E	Diels-Alder F
MP2	57.32	1.50	60.49	1.33	82.55	1.32	69.33	1.18
Mace（直拟 CCSD）	0.79	1.20	9.03	9.99	19.45	9.44	11.25	7.99
Mace+MP2（Δ-learning）	0.16	0.23	0.51	1.90	2.07	2.49	1.61	1.43
eSEN+MP2	0.15	0.17	3.20	0.69	8.12	1.81	1.81	1.94
MōLe-Λ（本文）	0.10	0.12	0.37	0.27	0.63	0.26	1.09	0.24

QM7 上振幅 MAE：\(T_1, \Lambda_1\) 约 \(2.6\text{-}2.7\times 10^{-5}\)，\(T_2, \Lambda_2\) 约 \(5.3\times 10^{-7}\)。响应性质（偶极、四极、极化率）相对 HF、MP2、仅右态的 MōLe-XCCSD 在 QM7 测试集上多极 MAE 显著下降（见原文 Fig. 3）。

消融与对比¶

配置 / 评估维度	关键观察	含义
直接模式 vs MP2 残差模式	残差模式在低数据区 MAE 显著更低；数据充足后两者接近	物理先验在样本稀缺时价值最大
仅右态 MōLe（XCCSD 重建）	偶极/电子密度/对密度误差明显大于 MōLe-Λ	\(\Lambda\) 是松弛响应观测量的必需信息
跨分子大小（QM7 → 氨基酸/PubChem）	几何 MLIP 误差放大 10×+，MōLe-Λ 仅 3-6×	局域轨道振幅是真正尺寸可迁移的表示
出离平衡扫描（butane 二面角 / methanol C–O 拉伸 / 椅式-船式）	Mace 给出"飘忽"预测，MōLe-Λ 稳定低误差	学态比学性质外推更稳健
计算开销（H100 / C17H36）	常规 CCSD 显存爆掉；MōLe-Λ 可推到 C21 以上，\((T,\Lambda)\) 预测比 CCSD+Λ 求解快 100× 以上	实测标度远低于 \(\mathcal{O}(N^3)\)

关键发现¶

学态 > 学性质：仅监督四个振幅张量，下游能量/受力/偶极/四极/极化率/电子密度/对密度全面更优，且未出现常见的"某一性质优化、其他性质退化"现象。
\(\Lambda\) 是关键边际增益：仅有 \(T\) 时电子密度残差弥散到整个分子体积；加上 \(\Lambda\) 后键附近误差大幅压低，对密度差异图（2-RDM）上原本宽阔的 MP2 误差瓣几乎被消除。
物理先验显著降数据需求：MP2 残差化把"主阶相关"交给微扰论，网络只学差值；在低数据区数据效率提升尤其明显。
MLIP 在几何畸变上是脆弱的：Mace 直拟 CCSD 在 butane 二面角扫描上误差远超 MōLe-Λ，说明几何特征空间无法承担电子重排的预测压力，必须经轨道。

亮点与洞察¶

"学态"范式重写监督粒度：长期以来 ML for chemistry 都在选择"学哪个性质"，本文把目标提升到电子结构对象本身，所有性质成为副产品，自然规避多任务冲突。
架构镜像而非堆叠：\(\Lambda\) 头与 \(T\) 头共享 backbone 且对称镜像，意味着新增 \(\Lambda\) 几乎不增加参数和训练复杂度，却把可恢复观测量集合扩大了一个数量级——这种"几乎零成本扩展性质集合"的设计哲学值得在其他物理 ML 任务中借鉴。
局域 MO 是真正的可迁移表示：geometry-based 几何 MLIP 在尺寸外推上垮得很快，而局域轨道振幅天然满足尺寸可扩展性（非相互作用片段间振幅应消失），这暗示分子级 ML 的"正确归纳偏置"未必是欧氏空间。
可迁移到其他需要伴随变量的物理：CCSD 拉格朗日的"右态+左态"结构在弹性力学、最优控制、变分推断里都有同构形式，本文"学伴随"的思想可被迁移到其他需要响应导数的科学计算问题。

局限与展望¶

基组与元素受限：仅在 def2-SVP 基组、C/N/O/S/H 五种元素的 QM7 上训练；更大基组（aug-cc-pVTZ）、过渡金属、开壳层尚未覆盖。
稠密 \(T_2,\Lambda_2\) 输出仍是潜在瓶颈：当前对几十重原子分子才显现，更大体系上需要稀疏/局域/压缩的 doubles 表示。
HF、局域化、MP2 预处理未优化：CC 后处理在 CPU 上跑，与 GPU 上的 forward pass 节奏不匹配，是工程层面的下一步。
没有处理三激发：CCSD(T) 才是真正的"金标准"，本文只学到 CCSD 级，三激发的 \(T_3\) 修正如何融入仍是开放问题。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次把 ML 监督目标从"性质"提升到完整的 CCSD 响应态 \((T,\Lambda)\)，是范式级而非增量改进。
实验充分度: ⭐⭐⭐⭐ QM7 训练 + 三组泛化集 + 出离平衡扫描 + 多种观测量 + 计算标度对比，覆盖维度齐全；缺更大基组与重元素验证。
写作质量: ⭐⭐⭐⭐ 拉格朗日动机与四头镜像的因果链清楚；部分 RDM 重建细节挤在附录略可惜。
价值: ⭐⭐⭐⭐⭐ 把 CC 级响应性质从"O(N^6) 不可及"变成"前向一次性可达"，对催化、材料、分子设计的实际意义巨大。