基于等变图层次的神经网络
机器学习
2022-10-18 v2
摘要
等变图神经网络（EGNs）在刻画多体物理系统动力学方面能力强大。现有 EGNs 进行扁平消息传递，然而无法捕获复杂系统特别是子结构发现和全局信息融合的空间/动力学层次。本文中，我们提出等变层次图网络（EGHNs），其由三个关键组件构成：广义等变矩阵消息传递（EMMP）、E-Pool 和 E-UpPool。特别地，EMMP 能够提升传统等变消息传递的表达能力，E-Pool 将低层节点的物理量分配到高层簇中，而 E-UpPool 利用高层信息更新低层节点的动力学。顾名思义，E-Pool 和 E-UpPool 均保证等变以满足物理对称性。大量实验评估验证了我们的 EGHN 在包括多对象动力学仿真、动作捕捉和蛋白质动力学建模的若干应用上的有效性。
引用
@article{arxiv.2202.10643,
title = {Equivariant Graph Hierarchy-Based Neural Networks},
author = {Jiaqi Han and Wenbing Huang and Tingyang Xu and Yu Rong},
journal= {arXiv preprint arXiv:2202.10643},
year = {2022}
}
备注
20 pages