Sep, 2024

神经P$^3$M：几何GNN的长程交互建模增强器

HTML
PDF
TL;DR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%。
发现论文，激发创造
  • GemNet: 面向分子的通用定向图神经网络

    本研究介绍了一种新型的Geometric Message Passing Neural Network（GemNet）结构，采用了定向边嵌入和双跳消息传递，展现出图神经网络在预测分子动力学方面的强大效果和广阔前景。

    Jun, 2021

  • 3D Infomax提高了分子属性预测的GNN性能

    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

  • 三维分子图形的几何完整感知机网络

    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。

    Nov, 2022

  • 2D图形分析3D分子几何

    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

  • 分子图的长程神经原子学习

    通过将原子隐式转化为少数个神经原子，我们提出了一种方法来处理当前图神经网络在捕捉长程相互作用方面的不足，从而帮助改进分子性质的确定。通过在神经原子之间交换信息并将其映射回原子表示，神经原子能够在远程节点之间建立通信通道，从而有效地减小了任意节点对之间的交互范围。并且我们通过与传统的长程相互作用计算方法Ewald Summation的关联，从物理角度验证了我们的方法。通过在三个长程图基准上进行大量实验证明，我们的方法可以与任意图神经网络结合使用，并帮助捕捉长程相互作用。

    Nov, 2023

  • 分子系统准确高效的几何深度学习的通用框架

    基于几何深度学习和图神经网络的 PAMNet 是一个通用框架，通过引入物理信息偏置来模拟三维分子的局部和非局部相互作用，具有高效且准确的学习分子表示能力，在小分子性质、RNA 3D 结构和蛋白质-配体结合亲和性等学习任务中表现优异，适用于广泛的分子科学应用。

    Nov, 2023

  • 三维原子系统的几何GNN指南

    计算模型, 几何图, 几何图神经网络, 三维原子系统, 机器学习架构

    Dec, 2023

  • 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

  • 提升分子建模的几何GNNs：一项实证研究

    这篇论文通过对三维原子系统的几何图神经网络的实证研究，重点研究了不同的规范化方法、图形创建策略和辅助任务对性能、可伸缩性和对称性实施的影响，以指导研究人员选择最佳的分子建模组件。

    Jul, 2024

  • geom2vec：将预训练的GNN作为构象动态的几何特征提取器

    本研究解决了分子模拟中识别低维动态特征的难题，提出了一种名为geom2vec的方法，该方法利用预训练的图神经网络（GNN）作为通用几何特征提取器。关键发现是，利用所学的结构表示可以直接分析轨迹数据，显著简化了手动特征选择过程，并提高了模拟分析的稳健性。

    Sep, 2024