TorchANI 2.0: Extensible, High-Performance NN-IP Library for MD Applications
J. Chem. Inf. Model. 2025, 65, 11656 — Pickering, Xue, Huddleston, Terrel, Roitberg (U. Florida) — DOI 10.1021/acs.jcim.5c01853
🎯 CUDA加速AEV + 物理的制約（反発・分散・スムーズ活性化）で
MD対応NN-IPを拡張性高くオープンソース提供
① TorchANI 1.0 の限界と 2.0 の解決策
問題点 (v1)解決策 (v2)
AEV計算がメモリボトルネック（100原子）CUDA最適化 CUAEV
アンサンブル推論オーバーヘッド大バッチアンサンブル + NNPOps推論モジュール
ペアポテンシャル追加が困難モジュラーペアポテンシャル設計
解離限界が非物理的GSAE + バイアスなし設計
CELU活性化（Hessian不連続）GELU（スムーズ）に置換
短距離・長距離相互作用なしGFN2-xTB反発 + D3分散加算
② ANIアーキテクチャ (BPNN)
  • 高局所性: カットオフ内の近傍のみ考慮 → 線形スケーリング
  • 元素別NN: H, C, N, O, F, S, Cl の各元素で独立NN
  • AEV: 2体(radial) + 3体(angular)の原子環境ベクトル
  • 訓練データ: ωB97X/6-31G* または B97-3c/def2-mTZVP
E_total = E_NN + E_repulsion(GFN2-xTB) + E_dispersion(D3)
③ CUAEV (CUDA最適化AEV)
純PyTorch版比: 100原子系でメモリ大幅削減・速度向上
PyTorch autograd完全対応 → 力・Hessian計算が自動微分で可能
  • モジュラー設計 — パラメータ・カットオフ関数は差し替え可能
  • TorchScriptシリアライズ対応
  • ASE neighborlistとの完全互換
④ 3つの新ANIモデル
モデルレベル特徴
ANI-2xrωB97X/6-31G*標準版、D3+GFN2-xTB
ANI-2xr-snnωB97X/6-31G*推論最適化NNモジュール版
ANI-2drB97-3c/def2-mTZVPより均衡なQMレベル

全モデルにGSAE・GELU・bump-cutoff・GFN2-xTB反発・D3分散を適用

⑤ 物理的制約の詳細
  • GSAE: バイアスなし設計で解離限界が正確
  • GELU活性化: Hessianが連続・スムーズ
  • Bump cutoff (n=2): 無限回微分可能なカットオフ
  • GFN2-xTB反発: E_rep = Σ Y_i Y_j exp(-α R_ij)
  • D3分散: 長距離分散補正で非共有結合相互作用を改善
⑥ 限界・適用制限
  • 対応元素: H, C, N, O, F, S, Cl のみ（金属・重元素は不可）
  • 高局所性設計 — 長距離静電相互作用は原理的に不完全
  • 電荷移動・分極効果は考慮されない
  • 反応性系は追加検証が必要
⑦ MD パイプライン統合方針
  • lib/md統合
    非標準リガンドのMDにNN-IPを適用
  • ASE→GROMACS連携
    TorchANI Calculator経由でMDを実行
  • lib/fep ML/MM
    MMGBSAのMM層をNN-IPで置換
古典力場 → TorchANI 2.0 NN-IP → 高精度MDトラジェクトリ
⑧ Impact / 公開情報
  • 物理的に正確なNN-IPをMIT提供
  • QM精度に近いMDをDFT比 数百〜千倍の速度で実現
  • モジュラー設計で次世代NN-IP開発の基盤に
  • GitHub: github.com/aiqm/torchani（MIT）
  • Docs: aiqm.github.io/torchani
  • 依存: PyTorch, ASE, CUDA
Pickering I., Xue J., Huddleston K., Terrel N., Roitberg A.E. — University of Florida — J. Chem. Inf. Model. 2025, 65, 11656–11671 — DOI 10.1021/acs.jcim.5c01853