分子图的定向消息传递
机器学习
2022-04-06 v2 计算物理
机器学习
摘要
图神经网络近期在预测分子量子力学性质方面取得了巨大成功。这些模型仅使用原子（节点）之间的距离将分子表示为图。然而，尽管方向信息在分子的经验的势（如角势）中起着核心作用，它们并未考虑从一个原子到另一个原子的空间方向。为缓解这一局限，我们提出定向消息传递，其中我们嵌入原子之间传递的消息而非原子本身。每条消息都与坐标空间中的一个方向相关联。这些定向消息嵌入是旋转等变的，因为关联的方向随分子一起旋转。我们提出了一种类似于置信传播的消息传递方案，其通过基于消息间夹角变换消息来利用方向信息。此外，我们使用球贝塞尔函数和球谐函数来构建理论上基础扎实、正交的表示，与使用少于 1/4 参数的同时，取得了比当前盛行的高斯径向基表示更好的性能。我们利用这些创新构建了定向消息传递神经网络（DimeNet）。在 MD17 上 DimeNet 平均比先前的 GNN 高出 76%，在 QM9 上高出 31%。我们的实现已在线提供。
引用
@article{arxiv.2003.03123,
title = {Directional Message Passing for Molecular Graphs},
author = {Johannes Gasteiger and Janek Groß and Stephan Günnemann},
journal= {arXiv preprint arXiv:2003.03123},
year = {2022}
}
备注
Published as a conference paper at ICLR 2020. Author name changed from Johannes Klicpera to Johannes Gasteiger