面向非平衡分子的快速且不确定性感知的方向性消息传递
机器学习
2022-04-06 v3 化学物理
计算物理
摘要
化学中的许多重要任务都围绕反应过程中的分子展开。这需要对远离平衡态的预测，而近期分子机器学习方面的工作大多聚焦于平衡或近平衡态。本文旨在从三个方面拓展这一范围。首先，我们提出 DimeNet++ 模型，在平衡分子 QM9 基准上比原始 DimeNet 快 8 倍且准确率高 10%。其次，我们通过构建具有挑战性的 COLL 数据集来验证 DimeNet++ 在高度反应性分子上的表现，该数据集包含碰撞过程中小分子发生畸变的构型。最后，我们研究集成与均值-方差估计以实现不确定性量化，目标是加速对非平衡结构广阔空间的探索。我们的 DimeNet++ 实现以及 COLL 数据集均已在线公开。
引用
@article{arxiv.2011.14115,
title = {Fast and Uncertainty-Aware Directional Message Passing for Non-Equilibrium Molecules},
author = {Johannes Gasteiger and Shankari Giri and Johannes T. Margraf and Stephan Günnemann},
journal= {arXiv preprint arXiv:2011.14115},
year = {2022}
}
备注
Published at the Machine Learning for Molecules Workshop at NeurIPS 2020. Author name changed from Johannes Klicpera to Johannes Gasteiger