分子电子结构的等变细胞层：桥接层上同调与E(3)-等变哈密顿学习

# 分子电子结构的等变胞层：连接层上同调与E(3)-等变哈密顿量学习
来源：https://arxiv.org/html/2608.23571
###### 摘要

等变消息传递网络已成为预测分子性质和原子间势的标准归纳模型，近期研究通过E(3)等变方式预测电子哈密顿量本身。与此同时，拓扑深度学习将图网络推广到单纯复形、胞复形(CW复形)和胞层。我们连接了这两项进展。核心观察具有结构性：在局域（原子轨道或Wannier）基组中，分子单粒子哈密顿量（经过使其半正定的常数能量平移后）是构建在分子规则胞复形上的*胞层拉普拉斯算子*。我们通过要求其限制映射为依赖于键几何形状的O(3)可导向双中心核来使该层具有*等变性*，这恢复了Slater-Koster双中心形式作为特例，并得到一个E(3)等变、置换等变的算子。这一视角有三个推论。首先，零阶层上同调H⁰(X;F)=ker L_F是一个拓扑不变量，等于在选定参考能量处的非键（零模）轨道空间，恢复了交替体系经典非键轨道计数作为下界。其次，将构造提升至Hodge 1-拉普拉斯算子，使高阶胞（环）通过H¹携带环流和离域信息。第三，该模型严格推广了E(3)等变消息传递网络和胞复形网络，并继承了非平凡层扩散的抗过平滑行为。我们展示了架构（等变胞层网络），证明了等变性、表达性和上同调对应结果，并进行了数值验证：哈密顿量到层的嵌入在机器精度内精确，上同调维度在11个共轭分子中重现了非键轨道计数，层拉普拉斯算子在机器精度内满足O(3)等变性，且等变模型在方向性电子目标上获得了更低误差和旋转泛化能力。我们并不声称是首个等变预测哈密顿量的工作；我们的贡献在于层的理论形式化、其拓扑不变量及由此产生的统一框架。

## 1 引言

量子化学的机器学习代理模型大多基于分子图上的消息传递神经网络[1, 2]。最精确的模型加入了几何对称性，这是几何深度学习的组织原则[3]：E(3)和SE(3)等变网络使用球张量表示原子环境，并通过Clebsch-Gordan乘积进行耦合[6,5,7,8,9]，这构成了最先进的原子间势的基础，并与原子团簇展开[10]相联系。一个独特且更宏大的目标是电子哈密顿量本身：几个等变网络现在可以在原子轨道基中预测Kohn-Sham或Fock矩阵，从而获得轨道、密度和谱[14,15,16]。

与此同时，*拓扑深度学习*将图网络提升到更丰富的组合域：单纯复形[29,32,33]、正则胞复形[30]和胞层[25,26,28]；参见[31]的综合论述。胞层将每个胞附上一个向量空间（茎），并在每个关联关系上附上线性限制映射，将图拉普拉斯算子推广为一个*层拉普拉斯算子*，其核是整体截面的空间[25]。

尽管两者之间存在精确的结构桥梁，这两类文献尚未被连接起来。我们观察到，局域轨道的电子哈密顿量*就是*分子胞复形上的一个层拉普拉斯算子（第4节）。限制映射成为可学习的、依赖几何的、O(3)可导向的双中心积分的类似物；分子拓扑（键、环）通过胞结构及其上同调进入；电子结构成为等变层拉普拉斯算子的谱分析。我们将由此得到的模型称为*等变胞层网络*（ECSN）。

#### 贡献.

1.  一个对应关系（命题4.2）：在半正定（PSD）能量平移和逐键分解下，双中心局域哈密顿量是一个胞层的拉普拉斯算子；该构造包含Slater-Koster紧束缚[19]作为特例。
2.  等变胞层（定义4.4，定理4.5）：携带O(3)不可约表示的茎和可导向限制映射使层拉普拉斯算子满足E(3)-等变和置换等变。
3.  具有化学意义的拓扑不变量（定理4.7，推论4.8）：dim H⁰(X;F)计数非键轨道；对于交替体系，其下界由子格子失衡给出，恢复了经典的Hückel层级计数。
4.  表达性层次结构（定理6.1）：ECSN严格推广了E(3)等变消息传递网络和胞复形网络，并继承了非平凡层扩散的抗过平滑特性。
5.  数值验证（第7节）：嵌入在机器精度内精确，上同调在11个分子中重现了非键轨道计数，等变性在机器精度内成立，且等变模型比坐标基线更准确且旋转鲁棒。

我们强调其适用范围。等变哈密顿量预测归功于先前工作[14,15,16]；我们的新颖性在于层理论的形式化、上同调不变量、高阶胞扩展和统一框架。

## 2 相关工作

#### 化学领域的等变网络.

群等变卷积[4]和可导向CNN[5]催生了张量场网络[6]和e3nn框架[7]，并通过NequIP[8]、MACE[9]、PaiNN[11]、EGNN[13]以及方向性模型如DimeNet[12]实例化用于势能预测；ACE[10]提供了这些模型实现的多体基组。这些模型预测原子图上的不变或协变目标，但不使用高阶胞或层结构。

#### 学习电子结构.

密度泛函理论[17,18]在局域基组下得到稀疏哈密顿量；最大局域Wannier函数[20]使局域性显式化。PhiSNet[14]、DeepH[15]和QHNet[16]等变地预测此类矩阵。我们将预测的算子重新解释为层拉普拉斯算子，据我们所知，这是新的。

#### 拓扑深度学习与层.

消息传递已推广到单纯[29,32,33]和胞复形[30]，并推广到层：层神经网络[26]和神经层扩散[28]，建立在胞层的谱理论[25]之上。向量丛和切丛的推广也已被研究[27]。这些工作在O(3)意义下不是等变的，也未应用于电子结构。

#### 电子密度的拓扑.

分子中的原子量子理论[21]分析了电子密度的Morse-Smale复形，持久同调已被用于分子描述符[35,36]。我们的胞是化学的（原子、键、环），而非密度临界点，我们的不变量是层上同调的，而非基于持久性的。

## 3 背景

### 3.1 由分子构建的正则胞复形

设分子是一组位于位置{r_i}_{i=1}^N ⊂ ℝ³、具有原子种类{z_i}的原子。我们构建一个正则胞复形X：0-胞是原子；1-胞是无序对{i,j}，满足‖r_i - r_j‖ < r_c（键截止距离）；2-胞是由选定的环基（例如最小环集合）所界定的面。我们固定一个方向，并在胞σ是τ的余维1面时写作σ ⊴ τ，关联符号[σ:τ] ∈ {-1, +1}。

### 3.2 胞层与层拉普拉斯算子

###### 定义 3.1（胞层[25]）

一个胞层F是X上有限维实内积空间的胞层，为每个胞σ分配一个茎F(σ) ≅ ℝ^{d_σ}，并为每个关联σ ⊴ τ分配一个线性限制映射F_{σ⊴τ}: F(σ) → F(τ)。

k-上链空间为C^k(X; F) = ⨁_{dim σ = k} F(σ)。上边缘δ^k: C^k → C^{k+1}的作用为
(δ^k x)_τ = Σ_{σ⊴τ} [σ:τ] F_{σ⊴τ} x_σ。 (1)
k阶霍奇-层拉普拉斯算子为L_k = (δ^k)^⊤ δ^k + δ^{k-1} (δ^{k-1})^⊤。对于k=0，*层拉普拉斯算子*L_F := L_0 = (δ^0)^⊤ δ^0具有分块：
(L_F)_{vv} = Σ_{e⊴∋v} F_{v⊴e}^⊤ F_{v⊴e}, (L_F)_{uv} = - F_{u⊴e}^⊤ F_{v⊴e} (u≠v, e={u,v})。 (2)
L_F是对称半正定的，且ker L_F = ker δ^0 = H^0(X; F)，即*整体截面*的空间[25]。

### 3.3 O(3)表示与可导向核

O(3)作用于ℝ³上的函数；其真实不可约表示是维数为(2ℓ+1)的空间V_ℓ，通过Wigner矩阵D^ℓ(g)作用。形式为F(σ) = ⨁_ℓ m_ℓ V_ℓ（多重度m_ℓ）的茎模拟了角动量为ℓ的原子轨道。一个线性映射K: V_{ℓ_1} → V_{ℓ_2}若被方向ṙ *可导向*，即对所有g满足K(gṙ) = D^{ℓ_2}(g) K(ṙ) D^{ℓ_1}(g)^⊤，则由球谐函数Y_{ℓ_f}(ṙ)的Clebsch-Gordan收缩张成[6,7]：
K(ṙ) = Σ_{ℓ_f = |ℓ_1-ℓ_2|}^{ℓ_1+ℓ_2} w_{ℓ_f} (C_{ℓ_1,ℓ_f}^{ℓ_2}) Y_{ℓ_f}(ṙ), (3)
其中w_{ℓ_f}为可学习权重，径向标量（‖r‖的函数）此处省略。

## 4 数学框架

### 4.1 作为层拉普拉斯算子的电子哈密顿量

考虑在局域轨道基{φ_{v,a}}中的单粒子哈密顿量H（Kohn-Sham、Fock或紧束缚），其中v索引原子，a索引轨道，具有在位块H_{vv}和跃迁块H_{uv}（除非{u,v}是键，否则为零）。

###### 假设 4.1（局域性和PSD平移）

对于{u,v} ∉ E，H_{uv} = 0，且存在E_ref ∈ ℝ使得H̃ := H - E_ref I ⪰ 0。

###### 命题 4.2（紧束缚嵌入）

在假设4.1下，在键图(V,E)上存在一个胞层F（可能具有增广的茎），使得L_F = H̃。特别地，每个PSD双中心紧束缚哈密顿量都是层拉普拉斯算子。

###### 证明

对于每条键e={u,v}，取奇异值分解H_{uv} = -U_e Σ_e V_e^⊤，并设F_{u⊴e} = Σ_e^{1/2} U_e^⊤，F_{v⊴e} = Σ_e^{1/2} V_e^⊤，其中边茎维度为rank H_{uv}。由(2)式，非对角块满足(L_F)_{uv} = - F_{u⊴e}^⊤ F_{v⊴e} = -U_e Σ_e V_e^⊤ = H_{uv}。