ICMLJun, 2021

用于三维大分子结构的等变图神经网络

PDF
TL;DR应用等变图神经网络提高在结构生物学中解决机器学习中出现的三维大分子结构的难题，在八个任务中，在三个任务上超越了所有基准模型，在另外两个任务上并列第一，在使用高阶表示和球面谐波卷积的等变网络中表现良好。此外，我们证明迁移学习可以进一步提高特定下游任务的性能。
3d structuresmacromoleculesmachine learninggraph neural networksstructural biology
发现论文，激发创造
  • 用几何向量感知机从蛋白质结构中学习

    通过引入基于几何向量感知器的图神经网络，在大型生物分子的 3D 结构上进行学习并利用其图结构和几何方面，从而在蛋白结构的质量评估和计算蛋白质设计两个重要问题上实现了优化，改进了现有各类体系结构，其中包括最先进的基于图的和基于体素的方法。

    Sep, 2020

  • E (n) 等变图神经网络

    本文介绍了一种新的模型来学习具有等变性的图神经网络，称为 EGNN，此方法不需要在中间层中计算昂贵的高阶表示，同时具有竞争力或更好的性能，在 3 维空间等变性上具有比现有方法更大的伸缩性，并在动态系统建模，图自编码器中的表征学习和预测分子性质方面证明了其有效性。

    Feb, 2021

  • 基于粒子的流体力学问题的 E ($3$) 等变图神经网络

    采用等变图神经网络比其非等变神经网络在动态交互模型中能够更准确地学习流体力学系统的运动，并发现等变模型可以对湍流流量进行粗粒化建模和参数推广。

    Mar, 2023

  • E (3) 等变图神经网络用于高效且准确的原子间势能

    这项工作提出了神经等变分子间势 (NequIP), 一种用于学习分子动力学模拟的从自由计算中学习分子间势的 E (3) 等变神经网络方法。NequIP 通过几何张量相互作用利用 E (3)- 等变卷积，此方法在数据效率方面具有非凡的性能，使得准确利用高损耗的量子化学理论构建准确潜力成为可能，并使得长时间尺度上的高保障分子动力学模拟成为可能。

    Jan, 2021

  • 三维分子图形的几何完整感知机网络

    介绍了一种新的 GCPNet 图神经网络，其具有 SE (3) 置换对称性，用于 3D 分子图形表示学习，在蛋白质 - 配体结合亲和力预测，蛋白质结构排序和牛顿多体系统建模任务中均取得了最先进的效果。

    Nov, 2022

  • 多维向量神经元：更好更快的 O (n) 等变 Clifford 图神经网络

    本研究通过测试几种基于 Clifford 多矢量的新颖消息传递图神经网络（GNNs），旨在解决当前大多数对 $O (n)$ 或 $SO (n)$ 等等变换具有等变性的深度学习模型在处理标量信息时效果较好，但计算复杂度较高的问题。我们的方法利用了高效的不变标量特征，并同时在多矢量表示上执行表达性学习，特别是通过使用等变的几何乘积算子。通过整合这些要素，我们的方法在 N-Body 模拟任务和蛋白质去噪任务上优于已建立的高效基准模型，同时保持高效性。特别是，在 N-body 数据集上，我们的方法的误差推动到 0.0035（平均 3 次运行）；比最近的方法提升了 8%。我们的实现在 Github 上提供。

    Jun, 2024

  • E (3) 等变网格神经网络

    三角网格，几何深度学习，三维网格，E (n)- 等变图神经网络（EGNNs），网格任务。

    Feb, 2024

  • 等变神经渲染

    该论文提出了一种从图像中直接学习神经场景表示的框架，通过引入一种强制要求该场景表示对于 3D 变换等变的损失函数，使得我们可以实时推断和渲染场景，并在标准 ShapeNet 基准测试上获得了很好的结果。

    Jun, 2020

  • SE3Set：利用等变超图神经网络进行分子表示学习

    我们在这篇论文中开发了 SE3Set，这是一个针对高级分子表示学习量身定制的 SE (3) 等变超图神经网络架构。SE3Set 的出色性能突显了其在各种分子结构上的转化潜力，为计算化学提供了一条更准确和物理细致建模的途径。

    May, 2024

  • 三维原子系统的几何 GNN 指南

    计算模型，几何图，几何图神经网络，三维原子系统，机器学习架构

    Dec, 2023