MACE:用于快速准确势场的高阶等变消息传递神经网络
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
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
通过在节点特征的基础上传播节点的 One-hot 编码,以学习每个节点周围的本地上下文矩阵以及保证置换等变性的消息和更新函数,我们提出了一种具有强大表达能力和等变性的消息传递框架,用于对图形网络进行建模,实验表明本模型可以更准确地预测合成数据上的图形拓扑性质,并在 ZINC 数据集的分子图回归任务中取得了最优结果。
Jun, 2020
通过引入等变向量表示,消息传递神经网络在预测分子相互作用方面表现出显著的功效。在消息传递过程中,两个相对的化学键向量可能会相互抵消,导致他们共享节点上的方向信息丢失。本研究开发了等变 N 体互作用网络(ENINet),明确地整合等变的多体互作用以保留消息传递方案中的方向信息。实验证明,整合多体等变表示增强了对不同标量和张量量子化学性质的预测准确性。消融研究显示,在 QM9 的 12 个性质中有 11 个平均性能提升了 7.9%,在 MD17 的力中提升了 27.9%,在 QM7b 的极化率(CCSD)中提升了 11.3%。
Jun, 2024
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
本文介绍了一个将 Atomic Cluster Expansion (ACE) 和 Neural Equivariant Interatomic Potentials (NequIP) 统一起来的数学框架,以及通过 NequIP 的 ablation study 对设计选项进行探究的实验,并提出了一个简化版本 BOTNet。
May, 2022
隐式重连消息传递神经网络 (IPR-MPNNs) 整合了概率性图重连机制,解决了信息传递受限和结构瓶颈导致的问题,实现了跨较大距离的消息传递,并在多个图数据集上取得了最先进的性能,同时保持了显著更快的计算效率。
May, 2024