图神经网络中用于分子性质预测的物理池化函数
机器学习
2024-01-17 v1
摘要
图神经网络（GNNs）正在化学工程中兴起，用于基于分子图对物理化学性质进行端到端学习。GNN 的一个关键要素是池化函数，它将原子特征向量组合为分子指纹。以往大多数工作使用标准池化函数来预测多种性质。然而，不合适的池化函数会导致物理意义缺失的 GNN，其泛化能力较差。我们根据关于所学性质的物理知识，比较并选择了有意义的 GNN 池化方法。物理池化函数的影响通过由量子力学计算得到的分子性质得以展示。我们还将我们的结果与近期的 set2set 池化方法进行了比较。我们推荐使用求和池化来预测依赖于分子大小的性质，并针对与分子大小无关的性质比较了不同的池化函数。总体而言，我们表明使用物理池化函数能显著增强泛化能力。
引用
@article{arxiv.2207.13779,
title = {Physical Pooling Functions in Graph Neural Networks for Molecular Property Prediction},
author = {Artur M. Schweidtmann and Jan G. Rittig and Jana M. Weber and Martin Grohe and Manuel Dahmen and Kai Leonhard and Alexander Mitsos},
journal= {arXiv preprint arXiv:2207.13779},
year = {2024}
}