ComENet: 三维分子图的完整高效信息传递

Jun, 2022

ComENet: 三维分子图的完整高效信息传递

ComENet: Towards Complete and Efficient Message Passing for 3D Molecular Graphs

Limei Wang, Yi Liu, Yuchao Lin, Haoran Liu, Shuiwang Ji

TL;DR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）。

Abstract

Many real-world data can be modeled as 3d graphs, but learning representations that incorporates 3D information completely and efficiently is challenging. Existing methods either use partial 3D information, or suffer from excessive computational cost. To incorporate 3D information comp

3d graphs message passing comenet quantum inspired basis functions global completeness

发现论文，激发创造

使用通信消息传递 Transformer 学习带属性的图表示

提出了一种使用 Transformer 结构的通信信息传递神经网络 (CoMPT), 以加强节点和边之间的消息交互，提高分子图的表示能力，在七个化学性质数据集和两个化学位移数据集上的实验证明了所提出模型的卓越性能。

Jul, 2021

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

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

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

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

使用边更新的神经消息传递，预测分子和材料的属性

本文研究在分子图中应用神经信息传递以提高物质形成能预测及其他性质。通过引入边更新网络和各个原子的隐藏状态，该方法在 QM9、材料计划和 OQMD 三个公开数据集上表现出明显的优势。此外，通过比较使用 K 近邻、最大距离截断或泰森多边形图法生成晶体结构图，结果表明使用 K 近邻生成图可以获得更好的预测准确性。

Jun, 2018

ACMP：具有粒子相变的图神经网络的 Allen-Cahn 信息传递

本论文提出基于相互作用粒子系统的 Allen-Cahn 消息传递机制，通过多个聚类形成的方式解决节点预测的问题，从而可以在图神经网络中实现数百层的深度，并解决常见问题中的过度平滑。经过实验验证，在各种实际节点分类数据集上，此机制性能达到了最先进的水平，而且没有能量耗散的问题。

Jun, 2022

SceneGraphNet：神经信息传递用于三维室内场景增强

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

分子系统准确高效的几何深度学习的通用框架

基于几何深度学习和图神经网络的 PAMNet 是一个通用框架，通过引入物理信息偏置来模拟三维分子的局部和非局部相互作用，具有高效且准确的学习分子表示能力，在小分子性质、RNA 3D 结构和蛋白质 - 配体结合亲和性等学习任务中表现优异，适用于广泛的分子科学应用。

Nov, 2023

分子图网络具有多体等变相互作用

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