利用注意力与门增强图卷积网络深度学习分子结构-性质关系
机器学习
2018-10-09 v3 机器学习
摘要
分子结构-性质关系是材料与药物发现中分子工程的关键。深度学习的兴起提供了一种从化学数据直接阐明结构-性质关系的新可行方案。本文表明，通过引入注意力与门机制，可改进图卷积网络（GCNs）在分子性质预测中的性能。注意力机制使 GCN 能够识别不同环境中的原子。门控跳跃连接以适当速率更新特征图，进一步改进了 GCN。我们证明，与原始 GCN 相比，所得的注意力与门增强 GCN 能提取出与目标分子性质（如溶解度、极性、合成可及性与光伏效率）更好的结构特征。更有趣的是，它识别出分子的两个不同部分作为高光伏效率的关键结构特征，且各自分别与电荷转移激发的供体与受体轨道区域重合。因此，新模型能准确预测分子性质，并在训练良好的潜空间中将性质相似的分子彼此靠近放置，这对其分子工程的成功至关重要。
引用
@article{arxiv.1805.10988,
title = {Deeply learning molecular structure-property relationships using attention- and gate-augmented graph convolutional network},
author = {Seongok Ryu and Jaechang Lim and Seung Hwan Hong and Woo Youn Kim},
journal= {arXiv preprint arXiv:1805.10988},
year = {2018}
}