Jun, 2023

简单流形消息传递用于化学性质预测

PDF
TL;DR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。
neural networksmolecular graphssimplicial message passingquantum-chemical propertiesgnns
发现论文，激发创造
  • 量子化学中的神经消息传递

    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

  • Weisfeiler 和 Lehman 走向拓扑学：消息传递简单复合网络

    使用简单复合体传递信息的 MPSNs 模型比传统的图神经网络有更广泛的表达能力，可以用于多级交互和区分非同构简单复合体。

    Mar, 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

  • 高阶路径上的神经消息传递

    本文介绍了一种基于图神经网络的新模型，利用更高阶的路径传播信息，可以更准确地预测分子的一些性质，比如化学基团和分子几何结构等方面。

    Feb, 2020

  • Topo-MLP：一种无需消息传递机制的单纯网络

    通过提出一种仅基于 MLP 的简化神经网络算法 Topo-MLP，可以学习简单复合物中元素的表示，而不需要明确依赖消息传递方法。该模型的简洁性使其在推理过程中更快速，并且在面对缺失或损坏的连接结构时仍然表现出鲁棒性。

    Dec, 2023

  • 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

  • 基于记忆的消息传递：将传播信息与判别分离

    提出了基于记忆的消息传递方法（MMP），以解决现有消息传递方法在不光滑和噪声建模上的缺陷，通过记忆分离节点信息为鉴别和传播两部分，并发展控制机制和解耦合法则以提高所提出方法的效果和鲁棒性。

    Feb, 2022

  • 使用结构消息传递构建强大且等变的图神经网络

    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