Chi-Geometry：用于基准测试 GNNs 手性预测的图书馆

我们介绍 Chi-Geometry - 一个用于测试和基准测试图神经网络（GNN）预测手性能力的图书馆。Chi-Geometry 生成具有 (i) 用户指定的几何和拓扑特征以隔离特定类型的样本，以及 (ii) 随机化节点位置和种类以最小化额外关联的合成图样本。每个生成的图恰好包含一个手性中心，其标签为 R 或 S，而所有其他节点均标记为 N/A（非手性）。随后将这些生成的样本组合成一个 cohesive 数据集，可用于评估 GNN 预测手性的能力作为节点分类任务。Chi-Geometry 允许更可解释且更少干扰的 GNN 手性预测基准测试，这可以指导设计具有改进预测性能的新 GNN 架构。我们通过使用它为各种最先进（SOTA）GNN 架构生成合成数据集来说明 Chi-Geometry 的有效性。这些基准测试结果的结论指导了我们设计了两个新的 GNN 架构。第一个 GNN 架构在图中建立了 all-to-all 连接，以准确预测在先前测试的 SOTA 模型失败的所有具有挑战性的配置中识别手性，但其计算成本（包括训练和推理）随图节点数量呈二次增长。第二个 GNN 架构通过在原始图结构中引入虚拟节点来避免 all-to-all 连接，这恢复了训练和推理计算成本相对于图节点数量的线性比例，同时仍能确保在检测手性方面与 SOTA GNN 架构保持有竞争力的准确性。