基于 SO(3) 等变局部坐标框架的图神经网络直接分子极化率预测
机器学习
2025-11-11 v1
摘要
我们提出一种新颖的等变图神经网络 (GNN) 架构，用于预测分子的张量响应属性。不同于传统框架专注于回归标量量并通过其导数推导张量属性，我们的方法通过采用局部坐标系保持 等变性。我们的 GNN 通过在局部消息传递框架中集成标量、向量和张量通道，有效捕获几何信息。为评估模型准确性，我们将其应用于 QM7-X 数据集中分子的极化率预测，结果表明张量消息传递优于标量消息传递模型。本工作标志着发展面向分子属性预测的结构化、几何感知神经模型的进步。
引用
@article{arxiv.2511.07087,
title = {Direct Molecular Polarizability Prediction with SO(3) Equivariant Local Frame GNNs},
author = {Jean Philip Filling and Felix Post and Michael Wand and Denis Andrienko},
journal= {arXiv preprint arXiv:2511.07087},
year = {2025}
}