通过更深的二维与三维图网络实现快速量子性质预测
机器学习
2021-06-17 v1
摘要
分子性质预测因其多样的应用而受到越来越多的关注。一个特别受关注且重要的任务是无需三维平衡结构来预测量子化学性质。这在实际中很有优势，因为获取三维平衡结构需要极其昂贵的运算。本工作中，我们设计了一个深度图神经网络，通过直接从二维分子图学习来预测量子性质。此外，我们提出了一个三维图神经网络，从低成本的构象集合中学习，这些构象可通过开源工具以可承受的预算获得。我们采用所提方法参加了 2021 年 KDD Cup 的 OGB 大规模挑战赛（OGB-LSC），旨在预测分子的 HOMO-LUMO 能隙。最终评估结果显示，我们是获胜者之一，在保留测试集上的平均绝对误差为 0.1235。我们的实现作为 MoleculeX 包的一部分提供（https://github.com/divelab/MoleculeX）。
引用
@article{arxiv.2106.08551,
title = {Fast Quantum Property Prediction via Deeper 2D and 3D Graph Networks},
author = {Meng Liu and Cong Fu and Xuan Zhang and Limei Wang and Yaochen Xie and Hao Yuan and Youzhi Luo and Zhao Xu and Shenglong Xu and Shuiwang Ji},
journal= {arXiv preprint arXiv:2106.08551},
year = {2021}
}
备注
One of the winners of 2021 KDD Cup on OGB Large-Scale Challenge