ICLRMar, 2020

分子图的定向消息传递

PDF
TL;DR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。
graph neural networksdirectional message passingspherical bessel functionsdimenetmolecular property prediction
发现论文，激发创造
  • 通过合成坐标在分子图上进行定向信息传递

    本文提出一种使用合成坐标的图神经网络方法，该方法不要求提供真实的分子结构，通过使用不同的距离和角度信息转换使得原来的图神经网络性能提升了 55%, 并在 ZINC 和 QM9 领域中创造了最新的记录。

    Nov, 2021

  • GemNet: 面向分子的通用定向图神经网络

    本研究介绍了一种新型的 Geometric Message Passing Neural Network（GemNet）结构，采用了定向边嵌入和双跳消息传递，展现出图神经网络在预测分子动力学方面的强大效果和广阔前景。

    Jun, 2021

  • 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

  • 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

  • 使用边更新的神经消息传递，预测分子和材料的属性

    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

  • 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

  • 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

  • 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

  • 使用通信消息传递 Transformer 学习带属性的图表示

    提出了一种使用 Transformer 结构的通信信息传递神经网络 (CoMPT), 以加强节点和边之间的消息交互，提高分子图的表示能力，在七个化学性质数据集和两个化学位移数据集上的实验证明了所提出模型的卓越性能。

    Jul, 2021

  • 非平衡分子的快速和不确定性感知的定向消息传递

    本文提出了 DimeNet++ 模型，比原 DimeNet 模型快 8 倍，并在非平衡体系 QM9 基准测试中准确率提高了 10%。同时，使用自定义的 COLL 数据集验证了 DimeNet++ 在高反应性分子上的效果，研究了集成学习以及方差均值估计来加速探索非平衡态结构。

    Nov, 2020