Dans les centres de calcul où les chercheurs manipulent des milliards d’atomes virtuels, la rapidité est devenue un enjeu clé. E2Former-V2, une nouvelle architecture de réseau de neurones, promet de transformer la modélisation des systèmes atomiques en trois dimensions, domaine où chaque gain de temps compte.

La modélisation 3D des systèmes atomiques s’appuie de plus en plus sur les Equivariant Graph Neural Networks (EGNNs). Ces outils permettent de prédire la structure et la dynamique des molécules en prenant en compte les symétries spatiales, mais ils se heurtent à d’importantes limites lorsqu’il s’agit de traiter des ensembles massifs de données. L’obstacle principal : la lourdeur des calculs géométriques, qui freine l’analyse sur les grandes structures ou lors des simulations à grande échelle.

E2Former-V2 et la révolution de la parcimonie algébrique

E2Former-V2 introduit une innovation décisive avec sa technique d’Equivariant Axis-Aligned Sparsification (EAAS). Cette méthode s’appuie sur une astuce mathématique, en passant du groupe de rotation SO(3) à SO(2), pour alléger drastiquement la charge de calcul. Concrètement, au lieu de multiplier les opérations lourdes sur tous les liens entre atomes, EAAS se contente de réindexer les parités de façon efficace, en s’appuyant sur la convolution Wigner-6j. Cette approche minimise le nombre d’opérations nécessaires, sans compromettre la capacité du modèle à appréhender la géométrie moléculaire.

Le cœur du système repose sur une attention équivariante générée à la volée. Là où les architectures traditionnelles stockent d’énormes quantités de données intermédiaires pour chaque liaison entre nœuds, E2Former-V2 privilégie une approche centrée sur les nœuds et utilise un noyau Triton personnalisé. Ce composant exploite mieux la mémoire vive des GPU (SRAM), supprimant la création de lourds tenseurs d’arêtes. Résultat : un gain de vitesse spectaculaire, l’équipe annonçant une amélioration de 20 fois les performances de calcul (TFLOPS) par rapport aux standards actuels.

Performances sur GPU accessibles et impact sur la recherche moléculaire

L’efficacité d’E2Former-V2 a été testée sur les ensembles de données SPICE et OMol25, références pour la prédiction de propriétés moléculaires. Les résultats sont frappants : le modèle conserve une précision comparable aux architectures de pointe, tout en accélérant sensiblement l’inférence. Cette avancée ouvre la voie à l’utilisation de transformers équivariants de grande taille sur des plateformes GPU largement disponibles, sans nécessiter d’infrastructures spécialisées.

Pour la communauté scientifique, cela signifie la possibilité de simuler des molécules plus complexes ou plus nombreuses, de manière bien plus rapide. La recherche en chimie computationnelle, en pharmacologie ou en science des matériaux pourrait ainsi bénéficier d’une automatisation et d’une exploration accrues, sans sacrifier la fidélité des prédictions.

E2Former-V2, développé par IQuestLab, est disponible en accès libre sur GitHub, ce qui devrait accélérer son adoption par les laboratoires du monde entier.


Source originale : E2Former-V2: On-the-Fly Equivariant Attention with Linear Activation Memory via arxiv.org (08/06/2026)