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

本文提出了一种在三维图形中完全且高效地传递信息的新方案，通过使用重要的旋转角度实现了全局完整性，并组合了量子启发式基础函数和该方案提出的消息传递模式，构建了用于分子系统的全面高效图神经网络（ComENet）。

Jun, 2022

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

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

本研究提出了图多视角自编码（Graph Multi-View Pre-training）框架，使用自监督学习（self-supervised learning）通过 2D 拓扑和 3D 几何视图之间的对应和一致性提高了对分子图表示的学习能力，并通过实验证明其有效性高于现有的图自监督学习方法。

Oct, 2021

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。

Jan, 2024

本文提出了结构化消息传递（SMP），这是一种统一的近似推理算法框架，它利用诸如代数决策图和稀疏哈希表等结构化表示。我们人为地引入特定上下文独立性和确定性，以充分利用结构化表示的威力。我们的新算法引入了一些有趣的偏差方差权衡，并通过实验评估了这些权衡，并证明它们比现有技术更准确、更可扩展。

Sep, 2013

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

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。

Jul, 2019