面向三维图网络的球面消息传递
机器学习
2022-11-28 v5
摘要
我们考虑三维分子图的表示学习，其中每个原子关联于三维空间中的一个空间位置。这是一个研究不足的领域，目前缺乏一种原理性的消息传递框架。在本工作中，我们在球坐标系（SCS）中进行分析以完整识别三维图结构。基于这些观察，我们提出球面消息传递（SMP）作为一种新颖且强大的三维分子学习方案。SMP大幅降低了训练复杂度，使其能在大规模分子上高效运行。此外，SMP能够区分几乎全部分子结构，且未被区分的情况在实践中可能不存在。基于有意义的三维信息物理表示，我们进一步提出SphereNet用于三维分子学习。实验结果表明，在SphereNet中使用有意义的三维信息带来了预测任务的显著性能提升。我们的结果也展示了SphereNet在能力、效率和可扩展性方面的优势。我们的代码作为DIG库的一部分公开可用（https://github.com/divelab/DIG）。
引用
@article{arxiv.2102.05013,
title = {Spherical Message Passing for 3D Graph Networks},
author = {Yi Liu and Limei Wang and Meng Liu and Xuan Zhang and Bora Oztekin and Shuiwang Ji},
journal= {arXiv preprint arXiv:2102.05013},
year = {2022}
}
备注
The paper has been accepted by ICLR 2022. You can also cite the conference version