Jun, 2018

使用边更新的神经消息传递，预测分子和材料的属性

PDF
TL;DR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。
发现论文，激发创造
  • 量子化学中的神经消息传递

    本文介绍了一种基于神经网络模型的消息传递神经网络 (Message Passing Neural Networks, MPNN)， 并探索了 MPNNs 的衍生变体。在化学性质预测基准测试中，使用 MPNNs 获得了最先进的结果，表明将来的研究应该集中在具有更大分子或更精确地基础事实标签的数据集上。

    Apr, 2017

  • 高阶路径上的神经消息传递

    本文介绍了一种基于图神经网络的新模型，利用更高阶的路径传播信息，可以更准确地预测分子的一些性质，比如化学基团和分子几何结构等方面。

    Feb, 2020

  • 分子图的定向消息传递

    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

  • 简单流形消息传递用于化学性质预测

    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

  • 多视图图神经网络用于分子性质预测

    使用多视图神经网络和交叉依赖的消息传递机制，以预测分子性质为目的，构建了一种能够同时利用节点（原子）和边（化学键）信息的表达力强的模型，并在多个基准测试中表现出优异性能。

    May, 2020

  • 分层互信息传递用于分子图学习

    使用层次神经消息传递结构对分子图进行学习，并在 ZINC 数据集和 MoleculeNet 基准集的数据集上验证其性能。

    Jun, 2020

  • 使用图形超网络进行分子属性预测和分类

    本文中，研究者探究了基于超网络的替代方法，发现在各种基准测试中具有最先进的成果，尤其在学习基于分子的属性预测和分类方面表现突出，并且解决了超网络的稳定性问题。

    Feb, 2020

  • 对称消息传递算法用于张量特性和分子光谱预测

    本文介绍了通过使用极化原子相互作用的神经网络（PaiNN）来改善基于消息传递神经网络的分子预测性能，从而实现分子光谱模拟速度的提升。

    Feb, 2021

  • 用于高通量聚合物筛选的信息传递神经网络

    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

  • 以图形网络为分子和晶体的通用机器学习框架

    研究者们提出了一种新的机器学习方法 Graph Networks，开发了通用的 MEGNet 模型，成功地预测了分子和晶体的物性，并提出了两个解决材料科学和化学数据局限性的新策略。

    Dec, 2018