GeoTMI：通过位置去噪利用易获取几何预测量子化学性质
化学物理
2023-12-18 v3 人工智能
机器学习
摘要
由于量子化学性质依赖于其几何结构，使用3D几何信息的图神经网络（GNNs）在许多任务中取得了高预测精度。然而，它们常需要由高级量子力学计算获得的3D几何，这在实际中不可行，限制了其在现实问题中的适用性。为此，我们提出了一种新训练框架GeoTMI，其采用去噪过程，利用易获取几何（正确几何的损坏版本，例如由低级计算获得的几何）准确预测性质。我们的出发点是：正确几何是对目标性质的最佳描述。因此，为纳入正确几何的信息，GeoTMI旨在最大化三个变量之间的互信息：正确几何、损坏几何与性质。GeoTMI还显式更新损坏输入以在通过GNN层时逼近正确几何，有助于更有效的去噪。我们使用3D GNNs在三个预测任务上研究了所提方法的性能：分子性质、化学反应性质以及异相催化体系中的弛豫能。我们的结果显示在各任务上精度的一致提升，证明了GeoTMI的有效性与鲁棒性。
引用
@article{arxiv.2304.03724,
title = {GeoTMI:Predicting quantum chemical property with easy-to-obtain geometry via positional denoising},
author = {Hyeonsu Kim and Jeheon Woo and Seonghwan Kim and Seokhyun Moon and Jun Hyeong Kim and Woo Youn Kim},
journal= {arXiv preprint arXiv:2304.03724},
year = {2023}
}