基于加权跳跃连接分析原子表征
计算物理
2018-11-15 v2 化学物理
机器学习
摘要
在本工作中，我们通过使用加权跳跃连接来组装最终表征，从而扩展了 SchNet 架构。这使我们能够研究每个交互块对于性质预测的相对重要性。我们在 QM9 与 MD17 数据集上证明，它们的相对加权强烈依赖于分子的组成与构型自由度，这为更深入理解分子机器学习模型开辟了道路。
引用
@article{arxiv.1810.09751,
title = {Analysis of Atomistic Representations Using Weighted Skip-Connections},
author = {Kim A. Nicoli and Pan Kessel and Michael Gastegger and Kristof T. Schütt},
journal= {arXiv preprint arXiv:1810.09751},
year = {2018}
}
备注
NIPS 2018 Workshop: Machine Learning for Molecules and Materials