具有众多等变交互的分子图网络
机器学习
2025-08-01 v3 材料科学
摘要
通过消息传递神经网络在预测分子相互作用方面已显示出显著效能。引入等变向量表示可通过捕获几何数据对称性来增强表达性，从而提高模型准确性。然而，两个二体键向量在消息传递过程中可能相互抵消，导致其共享节点方向信息丢失。本研究开发等变 N 体交互网络 (ENINet)，该网络显式集成 l = 1 等变众多体交互，以增强消息传递方案中的方向对称信息。我们提供的数学分析表明，必须包含众多体等变交互，并将公式推广至 体交互。实验表明，整合众多体等变表示可提升跨多样标量和张量量子化学性质的预测准确性。
引用
@article{arxiv.2406.13265,
title = {Molecule Graph Networks with Many-body Equivariant Interactions},
author = {Zetian Mao and Chuan-Shen Hu and Jiawen Li and Chen Liang and Diptesh Das and Masato Sumita and Kelin Xia and Koji Tsuda},
journal= {arXiv preprint arXiv:2406.13265},
year = {2025}
}