拓扑感知的多尺度混合专家模型用于高效分子性质预测
机器学习
2026-01-21 v1 人工智能
定量方法
摘要
许多分子性质取决于三维几何结构，其中非共价相互作用、立体化学效应以及中长程力由空间距离和角度决定，而这些无法被二维键图唯一捕获。然而，大多数三维分子图神经网络仍然依赖全局固定的邻域启发式规则（通常由距离截断和最大邻居数定义）来定义局部消息传递邻域，导致僵化且与数据无关的交互预算。我们提出多尺度交互混合专家模型（MI-MoE），以在不同几何区域自适应地建模交互。我们的贡献有三点：（1）引入距离截断专家集成，无需固定单一截断即可显式捕获短程、中程和长程相互作用；（2）设计拓扑门控编码器，利用基于滤子的描述符（包括持续同调特征）对输入进行路由，这些描述符总结了连接性随半径的演化；（3）证明MI-MoE是一个即插即用模块，能在多种分子和聚合物性质预测基准数据集（涵盖回归和分类任务）上持续改进多个强三维分子主干网络。这些结果凸显了拓扑感知的多尺度路由作为三维分子图学习的一个有效原则。
引用
@article{arxiv.2601.12637,
title = {Topology-Aware Multiscale Mixture of Experts for Efficient Molecular Property Prediction},
author = {Long D. Nguyen and Kelin Xia and Binh P. Nguyen},
journal= {arXiv preprint arXiv:2601.12637},
year = {2026}
}