用于分子偶极矩预测的边方向不变图神经网络
机器学习
2022-06-28 v1 材料科学
摘要
偶极矩是表明分子极性的物理量，由反映组成原子的电学性质与分子的几何性质而决定。传统图神经网络方法中用于表示图表示的多数嵌入将分子视为拓扑图，这对识别几何信息的目标造成了显著障碍。与现有为妥善处理分子 3D 结构而提出的处理等变性的嵌入不同，我们提出的嵌入直接表达了偶极矩局部贡献的物理含义。我们表明所开发的模型即便对具有扩展几何结构的分子也合理工作，并捕获更多原子间相互作用信息，以可与第一性原理计算相媲美的精度显著改进预测结果。
引用
@article{arxiv.2206.12867,
title = {Edge Direction-invariant Graph Neural Networks for Molecular Dipole Moments Prediction},
author = {Yang Jeong Park},
journal= {arXiv preprint arXiv:2206.12867},
year = {2022}
}