我们提出 径向核注意力 (RKA) 用于聚合物机器学习力场的长程相互作用建模。传统的局部邻居图只能在链内和局部环境上传递信息，而全对全注意力的计算代价为 $O(N^2)$，随原子数快速增长。RKA 通过将原子到簇中心的距离映射到可学习的径向特征，并将这些特征与内容相关的 query 与 key 的重叠度相结合，实现了全局信息交换。\n\n在实现上，RKA 采用因式分解的聚合与读出步骤，使得在固定特征维度下，整体计算复杂度保持为线性 $O(N)$。我们将不变标量更新层插入到 EquiformerV3 的局部块之间，并通过对总能量（包括径向坐标依赖）求导得到保守力场。\n\n模型在 OPoly26 数据集的聚合物衍生簇上进行评估。训练使用官方训练划分，进行 12 个 epoch，随后在完整的验证划分上直接评估。与基准 5M 模型相比，RKA 将每原子能量 MAE 降低了 67.4%，力的 MAE 降低了 36.3%。在 20M 参数的 RKA 模型上，整体能量 MAE 为 15.81 meV，力 MAE 为 2.619 meV/Å，每原子能量 MAE 为 0.1182 meV/atom，优于 UMA‑S‑1.2 系列模型。\n\n实验表明，RKA 提供了一条紧凑的全局通信通道，显著提升了聚合物簇的能量和力预测精度。\n\n点评：RKA 通过径向特征映射和线性复杂度的全局聚合，成功克服了长程相互作用的计算瓶颈，为大规模聚合物力场建模提供了高效且可扩展的方案。