几何与物理量改进 E(3) 等变消息传递
机器学习
2022-03-29 v3 人工智能
机器学习
摘要
在计算物理与化学的许多任务中，包含协变信息（如位置、力、速度或自旋）十分重要。我们引入了可操控 E(3) 等变图神经网络（SEGNNs），它推广了等变图网络，使得节点和边属性不再局限于不变标量，而可以包含协变信息，如向量或张量。该模型由可操控 MLP 组成，能够在消息和更新函数中融入几何与物理信息。通过定义可操控节点属性，这些 MLP 为可操控特征场的一般使用提供了一类新的激活函数。我们通过等变非线性卷积的视角讨论了我们的工作及相关工作，这进一步使我们能够准确定位 SEGNNs 的成功组件：非线性消息聚合改进了经典的线性（可操控）点卷积；可操控消息改进了近期发送不变消息的等变图网络。我们在计算物理与化学的若干任务上展示了方法的有效性，并提供了充分的消融研究。
引用
@article{arxiv.2110.02905,
title = {Geometric and Physical Quantities Improve E(3) Equivariant Message Passing},
author = {Johannes Brandstetter and Rob Hesselink and Elise van der Pol and Erik J Bekkers and Max Welling},
journal= {arXiv preprint arXiv:2110.02905},
year = {2022}
}
备注
Published at ICLR 2022 (Spotlight paper), Github: https://github.com/RobDHess/Steerable-E3-GNN