TL;DR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。
Abstract
The field of geometric deep learning has had a profound impact on the
development of innovative and powerful graph neural network architectures.
Disciplines such as computer vision and computational biology have
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。