领域知识驱动的图神经网络：以量子化学为例的研究
机器学习
2022-08-26 v1 化学物理
摘要
我们探索了将先验领域知识整合到深度神经网络 (DNN) 设计中的不同策略。我们聚焦于图神经网络 (GNN)，以估计表示为图的化学系统（分子和晶体）的势能作为用例。我们将两类领域知识整合到 GNN 的设计中，以约束和正则化其学习，从而实现更高的准确性和泛化能力。首先，利用原子间存在不同类型关系（化学键）的知识来调制 GNN 中节点的交互。其次，利用某些物理量相关性的知识，通过简单的多任务范式约束所学特征朝向更高的物理相关性。我们通过将知识整合应用于两种依赖不同机制在节点间传播信息和更新节点状态的架构，证明了其普遍适用性。
引用
@article{arxiv.2208.11934,
title = {Domain-informed graph neural networks: a quantum chemistry case study},
author = {Jay Morgan and Adeline Paiement and Christian Klinke},
journal= {arXiv preprint arXiv:2208.11934},
year = {2022}
}