引言：消息传递的通信瓶颈

NequIP证明了等变消息传递的价值，但它的架构有一个工程上的隐患：$T$层消息传递意味着每个原子在推理时需要访问半径为$T\times r_{\mathrm{cut}}$邻域内的全部原子。在GPU集群上做百万、千万原子的分子动力学时，空间域分解要求每个MPI进程只持有自己那块区域的数据，消息传递半径越大，跨进程的halo交换就越频繁，并行效率随之崩塌。

Allegro（Musaelian, Batzner, Johansson, Kozinsky组，Nature Communications 2023）的解法干脆至极：彻底放弃跨轮次的消息传递。所有信息交换被压缩到截断半径以内的一次性两体交互中，每个原子的计算只依赖自身$r_{\mathrm{cut}}$球形邻域——这就是所谓严格局域（strictly local）设计。

Strictly-local架构

Allegro的信息流可以概括为：先为每条边构造特征，然后反复用张量积精炼这些边特征，最后从边特征汇聚出原子能量。

边的初始化。对每条边$(i,j)$构造初始特征：

$e_{ij}^{(0)}=\mathrm{emb}(Z_i)\oplus \mathrm{emb}(Z_j)\oplus \phi(r_{ij})\oplus Y(\hat{r}_{ij})$

包含两端原子的元素嵌入、Bessel径向基和球谐方向基。

边的自交互。核心循环不改变信息的空间范围，只在单条边上做非线性变换：

$e_{ij}^{(l+1)}=\mathrm{Gate}\left(e_{ij}^{(l)}+\sigma\left(W^{(l)} e_{ij}^{(l)}\right)\right)$

两体的张量积耦合。每一层里，边$(i,j)$的特征与”镜像”边$(j,i)$以及共享端点的其他边特征做CG张量积：

$e_{ij}^{(l+1)}\ \leftarrow\ \left(Y_{ij}\otimes h_{ji}^{(l)}\right)^{(l)}$

这个设计很微妙：角度信息并没有被显式编码，而是通过$j$点处各条边的特征经由中心对称的张量积隐式地进入$i-j$键的表示。理论上可以证明这种构造对任意多体关联的表达力随层数指数增长。

能量读出。最后用两层MLP把精炼后的边特征映射为标量并按原子求和：

$E_i=\sum_{j\in\mathcal{N}(i)}\mathrm{MLP}\left(e_{ij}^{(T)}\right),\qquad E=\sum_i E_i$

力照旧由自动微分给出。由于信息严格局域，空间域分解下每个进程只需交换一个固定厚度的halo壳层，通信量与体系大小无关，并行扩展近乎理想。

边特征的张量积自交互

值得停下来想一想Allegro和NequIP的本质区别。NequIP的消息传递更新的是节点特征，边只是消息的载体；Allegro反其道而行之，把全部表示学习放在边上，节点反而成了聚合的容器。这个视角转换的好处是：

没有跨轮次的信息扩散，感受野恒等于物理截断半径，符合化学相互作用的局域性直觉；
边天然携带完整的两体几何（距离+方向），张量积可以直接作用其上；
并行化时不需要任何全局同步。

代价是层数需要更多才能覆盖与消息传递网络等效的多体关联深度，单步计算量略高。但总体上，Allegro在MD17等基准上精度与NequIP持平甚至略优，速度则因局域性而在大规模体系上反超。

性能与大规模实践

Allegro发布后在多个基准上刷新纪录：MD17分子、水性NaCl电解液、无定形硅等体系的DFT级精度模拟；其官方实现后来成为OpenMM、LAMMPS插件生态中高精度势的代表。

最能体现其架构价值的是2024年的一个里程碑：研究团队利用Frontier超算，以Allegro驱动了超过一亿原子的第一性原理精度分子动力学，模拟了全酶环境下的生物大分子体系，斩获Gordon Bell奖提名。这样的规模只有严格局域架构才撑得住——消息传递式的设计在这个尺度下会被halo通信拖死。

结语

Allegro与NequIP出自同一团队，恰好构成一对互补的设计哲学：前者追求表达力与样本效率的极致，后者追求可扩展性的极致。它们共同确立了等变力场的两条技术路线，而试图兼得两者的努力则来自剑桥的MACE——我们在下一篇中见。