基于机器学习势源导出的局部描述子对分子性质预测中图神经网络的影响
化学物理
2026-02-04 v1
摘要
本研究提出一种旨在通过整合来自大规模预训练机器学习势源的局部描述子，以提高分子性质预测准确性的框架。作为示例，我们开发了EGNN-PFP模型，通过将Matlantis获取的偏好势(PFP)特征描述子整合到等变图神经网络(EGNN)中进行评估。在测试QM9数据集(包含小型有机分子)时，所提出的模型在11个分子性质上均优于原始EGNN模型和不使用PFP描述子的基线模型。进一步在涵盖过渡金属配合物的tmQM数据集上，性能在所有5个目标性质上均实现显著提升，表明局部原子环境对过渡金属的重要性。总体而言，所提出的方法适用于任何3D图神经网络架构，随着不断演进的图神经网络架构，预测准确性还可进一步提升。
引用
@article{arxiv.2602.03046,
title = {Impact of Local Descriptors Derived from Machine Learning Potentials in Graph Neural Networks for Molecular Property Prediction},
author = {Ryoichi Uchiyama and Yuya Nakajima and Yuta Tanaka and Junji Seino},
journal= {arXiv preprint arXiv:2602.03046},
year = {2026}
}