HamNet：基于哈密顿神经网络且由构象引导的分子表示
机器学习
2021-05-11 v1 计算机视觉与模式识别
化学物理
摘要
设计良好的分子表示（指纹）对于结合药物化学与深度学习至关重要。尽管将分子的 3D 几何（即构象）纳入其表示看似有益，当前的 3D 算法仍处起步阶段。本文中，我们提出一种新颖的分子表示算法，利用分子哈密顿网络（HamNet）保留分子的 3D 构象。在 HamNet 中，分子中原子的隐式位置与动量在哈密顿引擎中依据离散化哈密顿方程相互作用。这些隐式坐标以平移与旋转不变损失由真实构象监督，并进一步用作指纹生成器（一种消息传递神经网络）的输入。实验表明，哈密顿引擎能良好保留分子构象，且 HamNet 生成的指纹在标准分子机器学习基准 MoleculeNet 上取得最先进的性能。
引用
@article{arxiv.2105.03688,
title = {HamNet: Conformation-Guided Molecular Representation with Hamiltonian Neural Networks},
author = {Ziyao Li and Shuwen Yang and Guojie Song and Lingsheng Cai},
journal= {arXiv preprint arXiv:2105.03688},
year = {2021}
}
备注
in ICLR-2021 (poster)