基于注意力有向消息传递的分子性质预测
信息论
2023-05-25 v1 math.IT
摘要
分子表示学习（MRL）在药物发现与材料科学领域长期至关重要，并因自然语言处理（NLP）与图神经网络（GNNs）的发展而取得显著进展。NLP 将分子视为一维序列词元，而 GNNs 将其视为二维拓扑图。基于不同的消息传递算法，GNNs 在探测化学环境与预测分子性质上表现各异。在此，我们提出有向图注意力网络（D-GATs）：具有有向键的表达性 GNNs。我们策略成功的关键在于将分子图视为有向图，并通过缩放点积注意力机制更新键状态与原子状态。这使模型能更好地捕捉分子图的子结构，即官能团。与其他 GNNs 或消息传递神经网络（MPNNs）相比，D-GATs 在 15 个重要分子性质预测基准中的 13 个上优于最先进方法。
引用
@article{arxiv.2305.14819,
title = {Directed Message Passing Based on Attention for Prediction of Molecular Properties},
author = {Chen Gong and Yvon Maday},
journal= {arXiv preprint arXiv:2305.14819},
year = {2023}
}
备注
Computational Materials Science, In press