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
- Long-Range Neural Atom Learning for Molecular Graphs [51.51514591597002]
分子内の原子群の集合情報を抽象化する、全ての原原子を数個のニューラル原子に暗黙的に射影する手法を提案する。
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) - Efficient and Equivariant Graph Networks for Predicting Quantum
Hamiltonian [72.57870177599492]
本稿では,効率と等価性を実現するSE(3)-equivariant Network,QHNetを提案する。
我々の重要な進歩はQHNetアーキテクチャの革新的な設計であり、基礎となる対称性に従うだけでなく、テンソル製品の数を92%削減できる。
実験結果から,我々のQHNetは最先端の手法に匹敵する性能を極めて高速に達成できることが示された。
論文 参考訳(メタデータ) (2023-06-08T03:47:33Z) - Generalizing Neural Wave Functions [2.088583843514496]
本稿では, 神経波関数を異なる分子に適応させるニューラルネットワークを用いた再パラメータ化手法を提案する。
また、異なる分子のシュル・オーディンガー方程式を連立的に解けるように調整されたサイズ一貫性波動関数Ansatzを提案する。
計算化学と機械学習の両方において、1つの波動関数が異なる原子を結合した分子のシュル「オーディンガー方程式」を解くことができることを初めて証明する。
論文 参考訳(メタデータ) (2023-02-08T16:18:27Z) - 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) - Graph Neural Networks with Learnable Structural and Positional
Representations [83.24058411666483]
任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。
ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。
両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
論文 参考訳(メタデータ) (2021-10-15T05:59:15Z) - 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。