Sep, 2023

MHG-GNN：分子超图语法与图神经网络的组合

PDF
TL;DR材料发现中，性质预测起着重要作用。我们引入了一种称为 MHG-GNN 的新型自编码器，它将图神经网络（GNN）与分子超图文法（MHG）相结合。各种不同材料的性质预测任务结果表明 MHG-GNN 具有很大的潜力。
发现论文，激发创造
  • 用于预测分子性质的异构分子图神经网络

    本文提出了一种名为 “异构分子图神经网络” 的方法，通过建立多种类型的节点和边来构建分子的异构分子图，并考虑到三个或更多原子之间的相互作用，结合神经信息传递机制进行对比化学性质预测，该方法在 QM9 数据集中的 12 个任务中有 9 个达到最优表现。

    Sep, 2020

  • 分子超图神经网络

    通过引入分子超图和分子超图神经网络（MHNN），本研究针对化学有关任务中传统图模型无法足够表示高阶连接（如多中心键和共轭结构）的问题，提出了一种可以预测有机半导体的光电性质的 MHNN 算法，其中超边表示共轭结构。结果表明，MHNN 在 OPV、OCELOTv1 和 PCQM4Mv2 数据集的大多数任务中优于所有基准模型。值得注意的是，MHNN 在没有任何三维几何信息的情况下，超过了利用原子位置的基准模型。此外，在训练数据有限的情况下，MHNN 表现出更好的性能比预训练 GNNs，彰显其出色的数据效率。本研究为更一般的分子表示和高阶连接相关的属性预测任务提供了新的策略。

    Dec, 2023

  • 分子超图文法及其在分子优化中的应用

    本文介绍一种新的分子超图文法变分自编码器 (MHG-VAE)，通过使用一个单一的 VAE 结合基于贝叶斯优化的技术，利用分子超图文法编码硬化学限制来指导 VAE 生成有效的分子，以解决分子优化中的两大挑战：有效性和成本效益。

    Sep, 2018

  • 混合量子图神经网络用于分子属性预测

    利用数据驱动技术的材料设计过程中，我们开发了一种融合经典和量子计算的混合模型来预测钙钛矿材料的能量形成。该模型的性能与经典模型和其他机器学习算法相媲美，为探索量子特征编码和参数化量子电路在图神经网络等复杂机器学习算法中的巨大改进提供了一种新途径。

    May, 2024

  • 多视图图神经网络用于分子性质预测

    使用多视图神经网络和交叉依赖的消息传递机制，以预测分子性质为目的，构建了一种能够同时利用节点（原子）和边（化学键）信息的表达力强的模型，并在多个基准测试中表现出优异性能。

    May, 2020

  • 分子属性预测的少样本图学习

    本文介绍了一种新颖的用于少样本分子属性预测的模型 Meta-MGNN，该模型利用分子图神经网络学习分子表示，并构建元学习框架进行模型优化，在公共数据库上的实验结果表明，Meta-MGNN 优于其他多种先进的方法。

    Feb, 2021

  • 分层语法引导几何用于高效的分子属性预测

    通过使用可学习的分层分子语法，我们提出了一种数据高效的性质预测方法，可以从语法生成规则中生成分子，并利用次级空间的几何信息进行性质预测，从而在有限数据情况下优于其他方法。

    Sep, 2023

  • 基于分子力学驱动的多重图图神经网络用于分子结构

    该论文提出了一种基于分子力学的方法，通过将每个分子表示为一个双层多重图，并为每层提出相应的消息传递模块，设计了一种高效且表达能力强的分子结构图神经网络 MXMNet，可用于从分子结构预测物理化学性质，获得了优越的结果。

    Nov, 2020

  • 基于模式图的分子属性预测自监督学习

    本研究介绍了一种基于图形的分子数据的自我监督学习的新型方法，称为基于图案的图形自我监督学习（MGSSL）。我们提出了一种依赖于自生成基元的新的预训练框架来捕获分子图中的丰富信息，该框架可以在宽度优先或深度优先的方式下执行，并在不同的下游基准任务上进行了广泛实验，表明我们的方法优于所有最先进的基线。

    Oct, 2021

  • 以图形网络为分子和晶体的通用机器学习框架

    研究者们提出了一种新的机器学习方法 Graph Networks，开发了通用的 MEGNet 模型，成功地预测了分子和晶体的物性，并提出了两个解决材料科学和化学数据局限性的新策略。

    Dec, 2018