Nov, 2021

通过合成坐标在分子图上进行定向信息传递

PDF
TL;DR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。
graph neural networksmolecular propertiessynthetic coordinatesdirectional message passingzinc benchmark
发现论文，激发创造
  • 分子图的定向消息传递

    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

  • 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

  • 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

  • 基于分子力学驱动的多重图图神经网络用于分子结构

    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

  • 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

  • 3D 图形网络的球形消息传递

    本文提出了一种基于球面坐标系的球面消息传递（SMP）算法和 SphereNet 模型，在可以区分几乎所有分子结构的同时提高了预测性能，证明其在大规模分子中具有高效性和可扩展性的优势。

    Feb, 2021

  • 提升您的分子：在潜在欧几里得空间中生成分子图

    通过合成构象坐标和 E (n)- 等变图神经网络 (EGNN) 将分子图映射到欧几里得点云，我们介绍了一种新的分子图生成的框架 ——SyCo。学习其逆映射后，可以应用现有的 3D 分子生成模型。此方法将图生成问题简化为点云生成问题，随后进行节点和边的分类任务。此外，我们提出了一种基于修复和引导的新型相似性约束的 3D 扩散模型优化方案。作为我们框架的一个具体实现，我们开发了基于 E (3) 等变扩散模型 (EDM) 的 EDM-SyCo，在分子图的分布学习中实现了最先进的性能，在 ZINC250K 和大规模 GuacaMol 数据集上优于最佳的非自回归方法 30% 以上，同时将条件生成的性能提高了最多 3.9 倍。

    Jun, 2024

  • 稀疏几何 MPNN 的表达能力研究

    研究了信息传递神经网络在几何图形中的表达能力，证明了当底层图形是连通的时候，具有旋转等变特征的信息传递网络能够分离非等价的几何图形，并介绍了一个简单的结构，EGENNET，在合成和化学基准测试中取得了理论保证并与其他结构相比较有利。

    Jul, 2024

  • 量子启发式的几何建模的神经网络

    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

  • 图坐标与传统神经网络：图神经网络的替代方案

    提出了一种基于图拓扑的神经网络方法作为信息传递 GNN 的高效替代方法，实验结果表明该方法在准确性和 ROC-AUC 的相似水平下，相较于信息传递 GNN，需要较少的可训练参数，同时在 OGBN-Proteins 和 OGBN-Products 数据集上实现了更高的性能。

    Dec, 2023