提升分子建模的几何GNNs:一项实证研究
本论文提出了一种利用几何增强分子表示学习的方法,称为GEM,通过使用基于几何的GNN架构和几何级别的自监督学习策略,该方法可以用来进行化学表示学习,实验表明该方法可以显著优于各种现有基线方法。
Jun, 2021
该研究提出了一种基于2D分子图的分子几何预训练模型,通过自监督学习方法,使其能够生成隐含的3D信息,显著提升各种性质的预测表现,并可跨多个不同的分子空间进行有效的迁移学习。
Oct, 2021
该论文通过提出一种基于消息传递神经网络的深度学习框架,实现从分子结构图计算分子的3D几何结构。实验结果表明,该方法比RDKit和其他深度学习方法更准确地预测了分子的3D几何结构,并在性质预测任务中表现出良好的性能,同时提供了一个基准数据集,可用于3D分子几何结构分析。
May, 2023
本文提出了Geom3D,一个平台,用于比较分子的不同几何表示方法之间的效果差异,并提供了16种先进的对称性信息的几何表示模型和14种几何预训练方法,以帮助有兴趣探索科学问题的机器学习研究人员消除障碍,并提供有价值的指导。
Jun, 2023
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
基于双尺度邻域划分机制的晶体结构建模和基于原子-距离-角度图神经网络(ADA-GNN)的属性预测任务处理方法,通过分别处理节点信息和结构信息,提高了预测准确性和推理时间。在两个大规模材料基准数据集上,我们的方法取得了最先进的属性预测结果。
Jan, 2024
新技术对于大规模采用风能和太阳能等可再生能源是必要的。发现适合的催化剂对于使能量储存更具成本效益和可扩展性至关重要。这项研究旨在评估使用更轻量级方法在这一任务中获得的性能和洞察力,以鼓励来自不同背景的个人的参与。通过实施稳健的设计模式,如几何和对称的信息传递,我们能够训练一个GNN模型,在仅使用一小部分可训练参数的情况下,达到了0.0748的平均绝对误差,与SchNet和DimeNet++等已建立的模型架构相媲美。
Apr, 2024
利用可逆神经网络直接生成具有期望电子性质的分子结构,该方法不需要对分子结构进行额外训练,通过严格的图构建规则确保化合价规则,将该方法应用于生成具有特定能隙和分配系数(logP)的分子,并在生成更多样化分子的同时,以与最先进的生成模型相媲美甚至更好的速率实现目标性质。
Jun, 2024
本文研究了几何图神经网络(GNN)在建模大分子系统时,长期交互捕获能力不足的问题。我们提出的Neural P$^3$M通过将网格点与原子结合,重新想象传统数学操作,从而增强了GNN的能力,展现出在多种分子系统中的灵活性,并在能量和力的预测上表现出显著的准确性,对MD22数据集的基准测试结果尤为优秀。同时,在OE62数据集上平均提升了22%。
Sep, 2024