用于三维分子几何的距离几何图注意力网络（DG-GAT）
机器学习
2022-07-19 v1 定量方法
摘要
面向分子科学的深度学习迄今主要聚焦于二维分子图。然而，近来由于其科学意义及在现实应用中的关键重要性，已有工作将其拓展至三维分子几何。三维距离几何图表示（DG-GR）采用统一方案（距离）来表示三维图的几何结构。它对图的旋转和平移具有不变性，并反映了成对节点交互及其通常的局部性质，这对三维分子几何尤为相关。为促进在面向分子科学的深度学习中对三维分子几何的引入，我们采用带有动态注意力机制的新图注意力网络（GATv2）以适配 DG-GR，并提出三维距离几何图注意力网络（DG-GAT）。GATv2 非常契合 DG-GR，因为注意力可随节点及节点间距离而变化。DG-GAT 在 ESOL 和 FreeSolv 数据集上的实验结果显示，相较基于二维分子图的标准图卷积网络分别有显著提升（31% 和 38%）。对于 QM9 数据集同样如此。我们的工作展示了 DG-GAT 基于三维分子几何的深度学习的效用与价值。
引用
@article{arxiv.2207.08023,
title = {Distance-Geometric Graph Attention Network (DG-GAT) for 3D Molecular Geometry},
author = {Daniel T. Chang},
journal= {arXiv preprint arXiv:2207.08023},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2006.01785, arXiv:2007.03513