GemNet: 面向分子的通用定向图神经网络
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
该论文提出了一种基于分子力学的方法,通过将每个分子表示为一个双层多重图,并为每层提出相应的消息传递模块,设计了一种高效且表达能力强的分子结构图神经网络 MXMNet,可用于从分子结构预测物理化学性质,获得了优越的结果。
Nov, 2020
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
本文提出了一种名为 “异构分子图神经网络” 的方法,通过建立多种类型的节点和边来构建分子的异构分子图,并考虑到三个或更多原子之间的相互作用,结合神经信息传递机制进行对比化学性质预测,该方法在 QM9 数据集中的 12 个任务中有 9 个达到最优表现。
Sep, 2020
通过引入分子超图和分子超图神经网络(MHNN),本研究针对化学有关任务中传统图模型无法足够表示高阶连接(如多中心键和共轭结构)的问题,提出了一种可以预测有机半导体的光电性质的 MHNN 算法,其中超边表示共轭结构。结果表明,MHNN 在 OPV、OCELOTv1 和 PCQM4Mv2 数据集的大多数任务中优于所有基准模型。值得注意的是,MHNN 在没有任何三维几何信息的情况下,超过了利用原子位置的基准模型。此外,在训练数据有限的情况下,MHNN 表现出更好的性能比预训练 GNNs,彰显其出色的数据效率。本研究为更一般的分子表示和高阶连接相关的属性预测任务提供了新的策略。
Dec, 2023
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
该研究提出了一种基于 MolNet 的图神经网络(GNN)模型来获取三维分子的物理化学特性及其非化学键信息,同时该模型在 BACE 和 ESOL 数据集的分类和回归任务上皆表现出良好的性能。
Feb, 2022
本文提出了一系列简单的改进方法,将标准消息传递图神经网络(GNN)转化为可证明强大的有向多重图神经网络,并将其应用于金融犯罪分析和网络钓鱼检测等任务中,得出了极好的实验结果。
Jun, 2023
本论文提出了一种利用几何增强分子表示学习的方法,称为 GEM,通过使用基于几何的 GNN 架构和几何级别的自监督学习策略,该方法可以用来进行化学表示学习,实验表明该方法可以显著优于各种现有基线方法。
Jun, 2021