論文の概要: Directional Message Passing for Molecular Graphs

• arxiv url: http://arxiv.org/abs/2003.03123v2
• Date: Tue, 5 Apr 2022 11:39:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 01:02:15.524460
• Title: Directional Message Passing for Molecular Graphs
• Title（参考訳）: 分子グラフのための方向メッセージパッシング
• Authors: Johannes Gasteiger, Janek Gro{\ss}, Stephan G\"unnemann
• Abstract要約: グラフニューラルネットワークは近年、分子の量子力学的性質を予測することに成功している。 我々は指向性メッセージパッシングを提案し、原子自体ではなく原子間で渡されるメッセージを埋め込む。 DimeNetは、MD17では76%、QM9では31%で、以前のGNNを上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks have recently achieved great successes in predicting quantum mechanical properties of molecules. These models represent a molecule as a graph using only the distance between atoms (nodes). They do not, however, consider the spatial direction from one atom to another, despite directional information playing a central role in empirical potentials for molecules, e.g. in angular potentials. To alleviate this limitation we propose directional message passing, in which we embed the messages passed between atoms instead of the atoms themselves. Each message is associated with a direction in coordinate space. These directional message embeddings are rotationally equivariant since the associated directions rotate with the molecule. We propose a message passing scheme analogous to belief propagation, which uses the directional information by transforming messages based on the angle between them. Additionally, we use spherical Bessel functions and spherical harmonics to construct theoretically well-founded, orthogonal representations that achieve better performance than the currently prevalent Gaussian radial basis representations while using fewer than 1/4 of the parameters. We leverage these innovations to construct the directional message passing neural network (DimeNet). DimeNet outperforms previous GNNs on average by 76% on MD17 and by 31% on QM9. Our implementation is available online.
• Abstract（参考訳）: グラフニューラルネットワークは、分子の量子力学的特性を予測することに成功している。 これらのモデルは、原子間距離(ノード)のみを用いたグラフとして分子を表す。 しかし、ある原子から別の原子への空間的な方向は考慮していないが、分子の実験的ポテンシャル、例えば角ポテンシャルの中心的な役割を担っている。 この制限を軽減するために、指向性メッセージパッシングを提案し、原子自体ではなく原子間で渡されるメッセージを埋め込む。 各メッセージは座標空間内の方向と関連付けられる。 これらの方向メッセージ埋め込みは、関連する方向が分子と共に回転するため、回転同値である。 本稿では,メッセージ間の角度に基づいてメッセージ変換を行い,指向性情報を用いたメッセージパッシング方式を提案する。 さらに、球面ベッセル関数と球面調和を使って、パラメータの1/4未満を使用しながら、現在広く知られているガウス半径基底表現よりも優れた性能を達成する理論的に十分に確立された直交表現を構築する。 これらのイノベーションを活用して、指向性メッセージパッシングニューラルネットワーク(DimeNet)を構築します。 DimeNetは、MD17では76%、QM9では31%で、以前のGNNを上回っている。 私たちの実装はオンラインで利用可能です。

関連論文リスト

• Conformation Generation using Transformer Flows [55.2480439325792]
  本稿では,トランスネットワークに基づくコンフォーメーション生成のためのフローベースモデルConfFlowを提案する。 ConfFlowは、明示的な物理的制約を課すことなく、座標空間で直接サンプリングする。 ConfFlowは、最先端の学習ベースの方法と比較して、最大40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-11-16T14:42:05Z)
• Towards Dynamic Message Passing on Graphs [104.06474765596687]
  グラフニューラルネットワーク(GNN)のための新しい動的メッセージパッシング機構を提案する。 グラフノードと学習可能な擬似ノードを、測定可能な空間関係を持つ共通空間に投影する。 ノードが空間内を移動すると、その進化する関係は動的メッセージパッシングプロセスのための柔軟な経路構築を促進する。
  論文  参考訳（メタデータ） (2024-10-31T07:20:40Z)
• Recurrent Distance Filtering for Graph Representation Learning [34.761926988427284]
  反復的なワンホップメッセージパッシングに基づくグラフニューラルネットワークは、遠方のノードからの情報を効果的に活用するのに苦労していることが示されている。 これらの課題を解決するための新しいアーキテクチャを提案する。 我々のモデルは、ターゲットへの最短距離で他のノードを集約し、線形RNNを用いてホップ表現のシーケンスを符号化する。
  論文  参考訳（メタデータ） (2023-12-03T23:36:16Z)
• Neural Atoms: Propagating Long-range Interaction in Molecular Graphs through Efficient Communication Channel [48.6168145845412]
  分子の原子を暗黙的に投影することで、原子群の集合情報を数$textitNeural Atoms$に抽象化する方法を提案する。 具体的には、ニューラル原子間で情報を明示的に交換し、それをエンハンスメントとして原子の表現に投影する。 この機構により、ニューラルネットワークは遠方のノード間の通信チャネルを確立し、任意のノード対の相互作用範囲を1つのホップに効果的に縮小する。
  論文  参考訳（メタデータ） (2023-11-02T14:44:50Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Direct Molecular Conformation Generation [217.4815525740703]
  本稿では,原子の座標を直接予測する手法を提案する。 提案手法は,4つの公開ベンチマークの最先端結果を実現する。
  論文  参考訳（メタデータ） (2022-02-03T01:01:58Z)
• Directional Message Passing on Molecular Graphs via Synthetic Coordinates [7.314446024059812]
  そこで本研究では, 分子構造を必要とせずに, 高度なGNNを利用できる合成座標を提案する。 この変換により、通常のグラフニューラルネットワークの誤差をZINCベンチマークで55%削減できることを示す。 さらに、SMPおよびDimeNet++モデルに合成座標を組み込むことにより、ZINCおよび座標自由QM9に関する技術の現状を規定する。
  論文  参考訳（メタデータ） (2021-11-08T18:53:58Z)
• GemNet: Universal Directional Graph Neural Networks for Molecules [7.484063729015126]
  有向エッジ埋め込みと2ホップメッセージパッシングを備えたGNNは、予測の普遍的近似器であることを示す。 次にこれらの洞察と複数の構造的改善を活用して、幾何学的メッセージパッシングニューラルネットワーク(GemNet)を提案する。
  論文  参考訳（メタデータ） (2021-06-02T15:44:55Z)
• Directed Graph Attention Neural Network Utilizing 3D Coordinates for Molecular Property Prediction [11.726245297344418]
  カーネル法とグラフニューラルネットワークは、プロパティ予測の2つの主流手法として広く研究されている。 この研究では、化学結合のみをエッジとして扱うDirected Graph Attention Neural Network(DGANN)に光を当てた。 我々のモデルは、QM9データセット上で、ほとんどのベースライングラフニューラルネットワークにマッチするか、より優れています。
  論文  参考訳（メタデータ） (2020-12-01T11:06:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。