SchNet 在2018年的面世彻底引爆了神经网络势函数(NNP, Neural Network Potential)领域，虽然说NNP的开山鼻祖还要更早，但均未像 SchNet 这样真正被物理化学家接受，引发变革。

这篇博客浅浅记录下自己阅读SchNet代码的心得。2023年的今天，网上有关SchNet的解读已经出现了很多，也有很多论文从更高的维度审视这一框架，有很多优秀的代码框架对SchNet代码进行了重构。
本文就按照自己的思路去解析这篇文献。主要参考：

DIG框架中的代码：选择DIG的二创，是因为DIG代码写得清晰，套用了SphereNet的架构，更容易理解。

GNN Expressive：这篇论文和论文附带的幻灯片对理解SchNet有很大帮助。

SchNet JCP原文：看看作者是怎么讲故事的。

GNN 语境下的 SchNet

SchNet 是图神经网络，势函数和力场中的哪一种？这个目前框架很混乱。
在那篇著名的 4 generation of Neural Network Potential 论文里，SchNet 是高维势函数（HDNNP）
在近期的 Forces are not enough 里，SchNet 被叫做机器学习力场（MLFF）
在 GNN Expressive 这篇论文里，SchNet 又变成了 GNN。

按笔者个人理解，力场一般指：相对传统的分子动力学模拟。力场二字源于传统的二体，三体力场函数的拟合。常见于分子体系，溶液体系的分子动力学模拟（MD）。体系中原子坐标给定，求解原子的受力，是一个动力学方程。

势函数脱胎于材料，金属，半导体领域的密度泛函理论计算，源头可以追溯到均匀电子气，体系中各原子坐标给定，求解整个体系的基态能量，是一个能量方程。

读者不必纠结具体的名词，我们暂且将 SchNet 当做一个 GNN，那么 GNN 的核心流程，前文已经讲过了，这里再放一下 GNN 的整体流程：

输入分子图在经过多次的信息聚合和迭代之后（message passing），变成了一张新的图，最后再使用这张图上的信息去对目标性质做预测。

在 DIG 框架中，SchNet 被改写成了一个典型的 GNN 框架，其流程与上图大致对应：

即，SchNet 是一个以点集为核心的框架：

1. 先根据每个原子的元素种类去对该原子做一个映射，这一映射可以被看做是点的初始特征向量。
2. 随后经过巧妙设计的 message passing layers，该特征向量聚合了周围节点的诸多信息，整张图获得了迭代更新。如何去设计 message passing layers 是整个 SchNet 模型的重中之重。
3. 基于更新后的图对目标性质做预测，这一操作在 AI 领域叫 Pooling ，在SchNetPack 中叫 Output layer，就是一个简单的前向传递。

下面结合代码看一下各个步骤。

DIG 框架下的代码

DIG 改写后的 SchNet 代码仅有168行，非常适合入门阅读！
我们直接跳到主类的 forward 阶段：

可以看到，经过改写后的框架还是清晰易懂的，能够跟原文献的几个模块一一对应。
值得注意的是，此处的 update_e 在原文里是 interaction 的意思，在传统的 GNN 框架中就是 message passing.
此外，对元素的 embedding 也是参照了 NLP 的做法，初始化了一个 look up table ，这样可以保证，同样元素的原子初始化向量是一致的。
最后，整张图去进行预测时，也仅仅是保留的点的 feature （这套代码里的edge可以说是聊胜于无，就当成 message 看就行）

OK，下面我们重点看一下 message passing 是如何实现的。

从 forward 主程序中可以看到，message passing 是由一个 for 循环构成的。在这个 for 循环下面，第一句话是构建 message ，第二句话是 节点feature的迭代。
其实与本专栏第一篇文章中提到的点集上的消息传递框架类似，某一节点根据其邻居节点的 feature 进行更新。这种方式是最简单的消息传递模型。
在 GNN expressive 这篇论文里，SchNet 框架如下所示：

每个原子（i）有 Ni 个邻居（邻居指在截断半径内），每个邻居在迭代时会创造一个 message ，节点的 feature 在融合诸多 message 后进行下一次的迭代。
SchNet 模型被认为是一个 二体的 不变模型，其原因在于，其每次迭代只涉及 1-hop 的邻居，而且使用不变的距离信息（标量）。

我们继续看原文中提到的 interaction 模块，其中的 filter generator 在代码中的 update_e 模块。
该模块的物理意义是，邻居原子对目标原子的影响力会随着距离的增大而衰减（C矩阵）。同时，邻居原子对目标原子的影响是一个距离的函数，而且该函数是可学的一个MLP模块（self.mlp(dist_emb)）

在理解了过滤矩阵后，我们再回头看 interaction 模块。其实这里 DIG 的代码和图中所示不太匹配，这里我们需要将 update_e 和 update_v 两个模块的 forward 连起来看。

两句话连起来对应一个 interaction 模块这一点应该很好理解。整个 interaction 的输入是 vertex embedding + distance embedding。
我们从下往上看，首先，比较明显的是 vertex update 含有一个短接，这一短接在 update_v 的 return 中是可以对上的。那这个 out 再往上过了一个线性层+激活层+线性层，这也分别可以和 56,57,58对应，55 行则对应message的聚合，所以我前面一直强调 message 就是DIG框架中的e。

总体来看，迭代后的节点向量如下：

$V_i^{\prime }=V_i+li{n}_1\_ssp\_li{n}_2({\sum }_{j\in \mathcal{N}}^{}ms{g}_j)$

message用公式表示如下：
（来自邻居 j 的 message ）
$ms{g}_j=lin(V_j)\ast filter\_gen(dis,dis\_emb)$

最后就剩下最开始的一块了。filter generator 是一个相对独立的小块儿，只与距离有关，对应31，32行，前文以提过。
有了 filter 以后，我们看 33 行。33行的线性层显然是 cfconv 层上面的 atom-wise 64
cfconv 层则对应 34 行，即，卷积核与邻居embedding的乘积。

至此，SchNet 模型中的核心代码已经全部能跟文献对应了。

一些感悟

下面我说一下自己的感悟。

我们深入学习一个模型，在读文献、看代码时，首先要看到整个模型大的模块。本例中，我首先将 SchNet 套到了一个 GNN 的框架里，然后用消息传递去近似原文中晦涩难懂的 interaction 模块。其次，我们要将文献中重点提及的模块跟代码进行一个映射，希望大家不要害怕扒代码。本例中，比较核心的代码加起来不到20句，在多读多思考的情况下，还是可以慢慢理解的（本人看了一天啊啊啊啊！！）。最后是一些 technical 的感悟，我们可以先把代码跑起来，然后在小batch size，debug 模式下进行观察，这将有利于从数据结构的角度理解算法模型！

希望大家看完这篇文章有所收获！！