面向3D原子系统的几何图神经网络漫游指南
机器学习
2024-03-14 v2 人工智能
定量方法
机器学习
摘要
原子系统计算建模的最新进展涵盖分子、蛋白质和材料，将其表示为以原子作为节点嵌入3D欧几里得空间的几何图。在这些图中，几何属性根据3D原子系统固有的物理对称性进行变换，包括欧几里得空间中的旋转和平移以及节点排列。近年来，几何图神经网络已成为支持从蛋白质结构预测到分子模拟和材料生成等各种应用的首选机器学习架构。其特殊性在于利用了归纳偏置——如物理对称性和化学性质——来学习这些几何图的信息丰富表示。在这篇带有观点的论文中，我们全面且自成体系概述了面向3D原子系统的几何图神经网络领域。我们涵盖了基础背景材料，并引入了几何图神经网络架构的教学法分类：(1)不变网络，(2)笛卡尔基下的等变网络，(3)球基下的等变网络，以及(4)无约束网络。此外，我们概述了关键数据集和应用领域，并提出了未来的研究方向。本工作的目标是提供该领域的结构化视角，使其易于为新手所接受，并帮助从业者获得对其数学抽象的直觉。
引用
@article{arxiv.2312.07511,
title = {A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems},
author = {Alexandre Duval and Simon V. Mathis and Chaitanya K. Joshi and Victor Schmidt and Santiago Miret and Fragkiskos D. Malliaros and Taco Cohen and Pietro Liò and Yoshua Bengio and Michael Bronstein},
journal= {arXiv preprint arXiv:2312.07511},
year = {2024}
}