旋转等变卷积在预测分子性质中的相关性
机器学习
2020-11-25 v4 化学物理
计算物理
机器学习
摘要
等变神经网络（ENNs）是嵌入于 中的图神经网络，非常适合于预测分子性质。ENN 库 e3nn 具有可定制的卷积，其设计可仅依赖于点之间的距离，或同时依赖于角度特征，从而分别成为旋转不变或旋转等变的。本文通过利用 \texttt{e3nn} 与 QM9 数据集进行的消融研究，直接探讨了在分子性质预测中引入角度依赖的实用价值。我们发现，在固定网络深度与参数量的情况下，加入角度特征使测试误差平均降低了 23%。与此同时，增加网络深度仅使测试误差平均降低 4%，这意味着旋转等变层具有相对较高的参数效率。我们针对偶极矩（受益最大的目标）上准确率的提升给出了一种解释。
引用
@article{arxiv.2008.08461,
title = {Relevance of Rotationally Equivariant Convolutions for Predicting Molecular Properties},
author = {Benjamin Kurt Miller and Mario Geiger and Tess E. Smidt and Frank Noé},
journal= {arXiv preprint arXiv:2008.08461},
year = {2020}
}
备注
Machine Learning for Molecules Workshop at NeurIPS 2020, NeurIPS workshop on Interpretable Inductive Biases and Physically Structured Learning