使用多向量通道改进 E(n) 等变图神经网络
机器学习
2023-09-07 v1
摘要
我们提出了一种对 E(n) 等变图神经网络的自然扩展，该扩展为每个节点使用多个等变向量。我们给出了该扩展的形式化表述，并表明其在不同的物理系统基准任务上提升了性能，而在运行时间或参数量上差异极小。所提出的多通道 EGNN 在 N 体带电粒子动力学、分子性质预测以及太阳系天体轨迹预测上均优于标准单通道 EGNN。鉴于多通道 EGNN 的额外收益与极小的额外代价，我们建议这一扩展可能对从事物理科学机器学习的科研人员具有实用价值。
引用
@article{arxiv.2309.03139,
title = {Using Multiple Vector Channels Improves E(n)-Equivariant Graph Neural Networks},
author = {Daniel Levy and Sékou-Oumar Kaba and Carmelo Gonzales and Santiago Miret and Siamak Ravanbakhsh},
journal= {arXiv preprint arXiv:2309.03139},
year = {2023}
}