基于合成坐标的分子图定向消息传递
机器学习
2022-04-06 v4 化学物理
计算物理
定量方法
摘要
通过定向消息传递利用坐标的图神经网络近期在多个分子性质预测任务上达到了最先进水平。然而，它们依赖于通常不可得的原子位置信息，且获取这些信息通常极其昂贵甚至不可能。本文中我们提出合成坐标，使得无需真实分子构型即可使用先进的GNN。我们提出两种距离作为合成坐标：指定分子构型粗略范围的距离界，以及使用个性化PageRank对称变体的基于图的距离。为同时利用距离和角度信息，我们提出一种将普通图神经网络转换为定向MPNN的方法。我们表明通过该转换在ZINC基准上可将普通图神经网络的误差降低55%。我们进一步通过在SMP和DimeNet++模型中引入合成坐标，在ZINC和无坐标QM9上确立了最先进水平。我们的实现可在线获取。
引用
@article{arxiv.2111.04718,
title = {Directional Message Passing on Molecular Graphs via Synthetic Coordinates},
author = {Johannes Gasteiger and Chandan Yeshwanth and Stephan Günnemann},
journal= {arXiv preprint arXiv:2111.04718},
year = {2022}
}
备注
Published as a conference paper at NeurIPS 2021. Author name changed from Johannes Klicpera to Johannes Gasteiger