We consider representation learning of 3d molecular graphs in which each atom
is associated with a spatial position in 3D. This is an under-explored area of
research, and a principled message passing framework is currently lacking. In
this work, we conduct analyses in the spherical coo
通过创造物理系统的 3D 多体点云,我们提出了一种新型的基于等变矩阵乘积态 (MPS) 的消息传递策略,有效地建模复杂的多体关系并捕捉了几何图中的对称性,超越了现有的几何图神经网络的平均场近似,并在预测经典牛顿系统和量子张量哈密顿矩阵等基准任务上验证了其卓越的准确性,堪称参数化几何张量网络的创新应用。
本文提出了一种神经传递信息的方法来与其环境相匹配的新物体进行增强,该方法能够预测适合位置的物体类型的概率分布,并在密集图中传递学习消息来处理物体相之间的空间和结构关系,通过注意机制加权消息,在 SUNCG 数据集中比其他方法更准确地预测场景中缺失的物体,并展示了基于此方法的其他应用,包括基于上下文的 3D 对象识别和迭代场景生成。