量子化学中的神经消息传递
该论文提出了一种基于 Simplicial Message Passing 框架来处理分子结构的方法,其中包括用于量子化学性质预测的深度学习体系结构,并比传统的 MPNN 表现更好。
Jun, 2023
本文研究在分子图中应用神经信息传递以提高物质形成能预测及其他性质。通过引入边更新网络和各个原子的隐藏状态,该方法在 QM9、材料计划和 OQMD 三个公开数据集上表现出明显的优势。此外,通过比较使用 K 近邻、最大距离截断或泰森多边形图法生成晶体结构图,结果表明使用 K 近邻生成图可以获得更好的预测准确性。
Jun, 2018
研究表明,基于分子结构的图神经网络架构是目前预测分子性质最好的机器学习方法之一,并且可以监督大规模重复评估化合物库。使用新的有机光伏应用候选分子数据库进行的实验证明,即使不要求最优的立体结构输入,利用信息传递神经网络可以获得与现有基准数据集上最先进方法相媲美的准确性。
Jul, 2018
预训练语言模型和信息传递神经网络在处理分子文本和分子科学领域展示了显著的能力。本文提出了两种策略来评估信息整合是否能增强性能:对比学习和融合,经实证分析表明,当应用于较小的分子图时,整合方法相比基准模型表现出优越性能,而当应用于大规模图时,这些整合方法并未带来性能改进。
May, 2024
本文提出了一种新的分子性质预测方法:基于方向信息的消息传递神经网络(DimeNet),该方法使用定向的信息传递方式和球 Bessel 函数及球面谐波函数构建新的表征表示,其预测性能优于以往基于 GNNs 的模型。
Mar, 2020
通过使用小样本数据集进行基于机器学习方法的分子属性预测,研究发现使用消息传递神经网络(PaiNN)以及 SOAP 分子描述符与梯度提升回归树方法相结合的简单分子描述符能够获得最佳预测结果。进一步提出了一种使用大样本数据进行预训练,并在原始数据集进行微调的迁移学习策略,以获取更准确的模型。该策略在 Harvard Oxford Photovoltaics 数据集(HOPV,HOMO-LUMO 间隙)获得了出色结果,在 Freesolv 数据集(溶剂化能)上由于复杂的学习任务和用于预训练和微调标签的不同方法而不成功。研究还发现,预训练数据集的大小与最终训练结果并非单调改善的关系,更少的预训练数据点可能导致预训练模型的偏置更高,从而在微调后获得更高的准确性。
Apr, 2024
通过基于图的神经网络(Graph-based neural networks)和消息传递神经网络(message-passing neural networks,MPNNs),我们训练了一个 MPNN,首先使用 AFLOW 数据库中的密度泛函理论数据对材料进行分类,区分金属和半导体 / 绝缘体。然后,我们进行了神经架构搜索,探索 MPNN 的模型架构和超参数空间,以预测非金属材料的能带间隙。通过搜索的最佳模型组成了一个集合,其性能明显优于现有文献中的模型。利用蒙特卡洛 Dropout 和集成方法对不确定性进行了评估,其中集成方法表现出更好的结果。我们还分析了集成模型的适用领域,比如晶体系统、密度泛函计算中是否包含 Hubbard 参数以及构成材料的原子种类。
Sep, 2023
本文提出了一种基于深度学习的量子力学波函数预测框架,以实现分子结构的反向设计,用于优化目标电子性质,表明这种方法打开了机器学习和量子化学更协同的前景。
Jun, 2019