高压相识别换用高斯核网络：预测时间从5-6小时缩到20-30分钟，精度与DGCNN相当
核心概要
高压相识别此前多依赖动态图卷积网络（DGCNN）逐原子分类局部环境，计算开销大。高斯核模型改为在原点周围布置一组“原子探测器”，在每个探测器处累加各原子贡献的各向同性高斯密度，把这一组数值直接送入普通神经网络。在16、32、64个近邻的测试集上，它分别取得78%、86%、90%的准确率，与DGCNN的75%、85%、92%相近；同一高性能计算环境下，整段模拟的预测耗时约20-30分钟，而对比模型约需5-6小时。
深度剖析
相识别不再需要图卷积逐边处理原子邻接关系，一组高斯密度采样值就足以让普通神经网络判断局部环境属于哪个相。 此前效果最好的机器学习路线是Erhard等人采用的动态图卷积网络，它把每个原子的局部环境建成图再做边卷积分类。 在16、32、64个近邻三种环境规模上，高斯核模型的测试准确率分别为78%、86%、90%，DGCNN分别为75%、85%、92%，两者相近。
做法是把每个原子看成高斯密度的中心，在原点周围预设若干“原子探测器”，每个探测器只记录所有原子在该处叠加的密度值。 这一输入来自神经正切核分析：把随机傅里叶特征求和后，第一层权重可视为一组隐式采样点，于是可以跳过第一层直接计算高斯核和。 探测器坐标与高斯宽度都随训练优化，网格初始化与从原点正态分布采样初始化给出相近结果；模型用ReLU激活、Adam优化器和交叉熵损失训练。
速度提升来自计算结构本身更简单，只含少量距离计算加一个普通神经网络。 DGCNN需要边卷积运算，计算量明显更大。 在同一高性能计算环境、不同模型与不同局部环境规模下比较，高斯核模型生成整段模拟预测约需20-30分钟，其他模型约需5-6小时，平均每帧约快18倍。
启示与展望
演示范围限于分子动力学模拟中提取的局部原子环境，环境规模为16、32、64个近邻，并在熔融石英冲击和α石英冲击等模拟上与DGCNN的预测做定性比较；模型对学习率、层数和隐藏单元数较为敏感，最终采用3层、4096个隐藏单元和可用算力下最低的学习率。
方法本身不具备旋转不变性，作者认为网络在每轮随机旋转批次的训练中自行学到了近似旋转不变的预测，这一解释仍是假设；与DGCNN在模拟相分数上的比较是定性的，未给出定量误差。