用于分子构象量子力学性质预测的柔性双分支消息传递神经网络

分子是异质组分的复合体，这些组分的空间排布决定了整体的分子性质与特征。随着深度学习在计算化学中的出现，若干研究聚焦于如何基于分子构型预测分子性质。消息传递神经网络以分子为图的角度，为捕捉分子几何特征提供了有效框架。然而，多数此类研究假定所有异质分子特征（如原子电荷、键长或其他几何特征）无论任务类型如何，总是对目标预测等价地贡献。本研究中，我们提出一种基于消息传递框架的双分支神经网络用于分子性质预测。我们的模型以不同尺度学习异质分子特征，并根据各预测目标灵活训练。此外，除消息传递步骤外，我们引入离散分支以无局部聚合方式学习单原子特征。我们验证该新颖结构可在多数目标上以更快收敛提升模型性能。所提模型以更稀疏的表示优于其他近期模型。实验结果表明，在化学性质预测任务中，应仔细考量目标的多样化学本质，以兼顾模型性能与泛化能力。