等变遮蔽位置预测用于高效分子表示
机器学习
2025-03-12 v2 人工智能
摘要
图神经网络（GNN）在计算化学中展现出巨大的潜力。然而，分子数据的有限可用性引发了 GNNs 能否有效捕捉物理和化学基本原理的疑虑，这受限了其泛化能力。为此，我们提出一种新颖的自监督方法，称为等变遮蔽位置预测（Equivariant Masked Position Prediction, EMPP），其基于分子内势能和力理论。不同于常规属性遮蔽技术，EMPP 构建更明确且增强量子力学特征学习的位置预测任务。EMPP 还绕过了常用于去噪方法中的高斯混合分布近似，实现更精确的物理属性获取。实验结果表明，EMPP 显著提升了先进分子架构的性能，超越了最新的自监督方法。我们的代码已发布于 https://github.com/ajy112/EMPP。
引用
@article{arxiv.2502.08209,
title = {Equivariant Masked Position Prediction for Efficient Molecular Representation},
author = {Junyi An and Chao Qu and Yun-Fei Shi and XinHao Liu and Qianwei Tang and Fenglei Cao and Yuan Qi},
journal= {arXiv preprint arXiv:2502.08209},
year = {2025}
}
备注
24 pages, 6 figures