Apr, 2023

构建高效表达的三维等变图神经网络的新视角

PDF
TL;DR本研究提出了用于评估等变图神经网络表现力和表示分子属性任务的本地层次结构编码和框架转换编码模块，并针对未来设计大量发展提出了设计空间。
geometric deep learning3d isomorphismgraph neural networkslocal substructure encodingframe transition encoding
发现论文，激发创造
  • 具有完整局部参考系的 SE (3) 等变图神经网络

    本文提出了一种构建 SE (3) 等变图神经网络的框架，该框架可以在保证性能的前提下实现计算效率的提升，并在牛顿力学建模和平衡分子构型生成两个任务中展示了优异的性能。

    Oct, 2021

  • 关于几何图神经网络表达能力的研究

    本研究提出了符合物理对称性的几何图卷积神经网络测试 GWL，并使用 GWL 研究了符合物理对称性的几何图卷积神经网络的表达能力，发现等变层扩展了局部邻域之外的几何信息，高阶张量和标量化使几何图卷积神经网络具有最大的表达能力。

    Jan, 2023

  • 不变几何深度学习模型的完备性

    本研究旨在表徵不变模型的理論表達能力，通過限制唯一高度對稱幾何圖形為其無法識別的情況，以破解這些特殊案例的對稱性，並引入一個簡單但 E (3)- 完備的不變設計 GeoNGNN，成功證明了三種廣泛認可的幾何模型 DimeNet、GemNet 和 SphereNet 的 E (3)- 完備性，填補了不變模型理論能力的差距，為深入全面了解其能力做出了確切貢獻。實驗結果顯示，GeoNGNN 在捕捉局部環境方面具有良好的歸納偏好，並實現了與依賴高階不變 / 等變表示的複雜模型相競爭的結果，同時具有顯著更快的計算速度。

    Feb, 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

  • 不变和等变图神经网络的表现能力

    本文提出了一个理论框架，可以比较图神经网络架构的表达能力，证明了实用 GNN 的第一近似保证，FGNN 被证明是最具表现力的架构之一，在 Quadratic Assignment Problem 中的应用表明 FGNN 能够比现有的基于谱、SDP 或其他 GNN 架构的算法表现得更好。

    Jun, 2020

  • 三维等变图形隐式函数

    本文提出了一种新型的图形隐式函数族，其具有等变层，可用于捕捉 3D 几何细节并保证对各种几何变换的鲁棒性，该方法在 ShapeNet 重建任务上比现有的旋转等变隐式函数从 0.69 提高到 0.89 (IoU)，并且可以推广到其他类型的相似变换，并且具有良好的泛化能力。

    Mar, 2022

  • 神经等度：驯服等变机器学习的变换

    实际几何和 3D 视觉任务充满了令人困惑的对称性，该论文介绍了一种名为神经等距映射的自动编码器框架，它学习将观察空间映射到通用的潜在空间，在这个空间中，当相应的观察在世界空间中有几何关系时，编码是由等距映射相关的。这种方法形成了一个有效的自监督表示学习的基础，并且我们证明了一个在预训练的潜在空间中操作的简单暗箱神经网络能够达到与精心设计的手工网络相媲美的结果，以处理复杂的非线性对称性。此外，等距映射捕捉了世界空间中相应变换的信息，我们展示了这使我们能够直接从相邻视图的编码之间的映射的系数为相机姿态回归。

    May, 2024

  • 使用等变晶格神经网络提升流体动力学中的晶格动力方案

    我们提出了一种新的等变神经网络类，即栅格等变神经网络（LENNs），旨在满足栅格结构的局部对称性。

    May, 2024

  • E (n) 等变图神经网络

    本文介绍了一种新的模型来学习具有等变性的图神经网络，称为 EGNN，此方法不需要在中间层中计算昂贵的高阶表示，同时具有竞争力或更好的性能，在 3 维空间等变性上具有比现有方法更大的伸缩性，并在动态系统建模，图自编码器中的表征学习和预测分子性质方面证明了其有效性。

    Feb, 2021

  • 使用子等变图神经网络学习物理动力学

    本文提出了一种新颖的基础方法，称为 Subequivariant Graph Neural Network，并解决了在物理动力学中如何将物理定律所包含的对称性协同模型设计以及模型如何处理物理世界中不同形状、尺寸和属性的物体等问题。该模型在 8 个场景的 Physion 数据集中，平均接触预测准确率有超过 3％的提高，在 RigidFall 数据集中有 2 倍的低回滚均方误差，并展现出强大的泛化能力和数据效率。

    Oct, 2022