利用三维坐标的有向图注意力神经网络用于分子性质预测
机器学习
2020-12-02 v1 材料科学
摘要
近年来计算机视觉（CV）与自然语言处理（NLP）的繁荣推动了深度学习在许多其他领域的发展。机器学习的进步为我们提供了除计算昂贵的密度泛函理论（DFT）之外的另一种选择。核方法与图神经网络作为性质预测的两种主流方法已被广泛研究。在有前景的图神经网络近期研究中，已对特定对象取得与 DFT 方法相当的精度。然而，目前大多数高精度图神经网络需要以成对距离分布为边信息的完全连接图。本工作中，我们提出有向图注意力神经网络（DGANN），其仅以化学键为边，并在分子的化学键与原子上操作。DGANN 与先前模型的区别具有以下特征：（1）它通过化学键上的图注意力机制学习局部化学环境编码。每条初始边消息仅流入每条消息传递轨迹一次。（2）Transformer 模块从局部原子编码中聚合全局分子表示。（3）位置向量与坐标被用作输入而非距离。即便未彻底搜索超参数，我们的模型在 QM9 数据集上已匹配或超越大多数基线图神经网络。此外，本工作表明，即使未引入旋转和平移不变性，直接利用三维坐标的模型仍可达到分子表示的高精度。
引用
@article{arxiv.2012.00404,
title = {Directed Graph Attention Neural Network Utilizing 3D Coordinates for Molecular Property Prediction},
author = {Chen Qian and Yunhai Xiong and Xiang Chen},
journal= {arXiv preprint arXiv:2012.00404},
year = {2020}
}