論文の概要: GemNet: Universal Directional Graph Neural Networks for Molecules
- arxiv url: http://arxiv.org/abs/2106.08903v1
- Date: Wed, 2 Jun 2021 15:44:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-20 21:12:35.957557
- Title: GemNet: Universal Directional Graph Neural Networks for Molecules
- Title（参考訳）: GemNet: 分子のためのユニバーサル指向グラフニューラルネットワーク
- Authors: Johannes Klicpera, Florian Becker, Stephan G\"unnemann
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.484063729015126
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effectively predicting molecular interactions has the potential to accelerate
molecular dynamics by multiple orders of magnitude and thus revolutionize
chemical simulations. Graph neural networks (GNNs) have recently shown great
successes for this task, overtaking classical methods based on fixed molecular
kernels. However, they still appear very limited from a theoretical
perspective, since regular GNNs cannot distinguish certain types of graphs. In
this work we close this gap between theory and practice. We show that GNNs with
directed edge embeddings and two-hop message passing are indeed universal
approximators for predictions that are invariant to global rotation and
translation, and equivariant to permutation. We then leverage these insights
and multiple structural improvements to propose the geometric message passing
neural network (GemNet). We demonstrate the benefits of the proposed changes in
multiple ablation studies. GemNet outperforms previous models on the COLL and
MD17 molecular dynamics datasets by 36%, performing especially well on the most
challenging molecules.
- Abstract（参考訳）: 効果的に分子相互作用を予測することは、分子動力学を桁違いに加速し、化学シミュレーションに革命をもたらす可能性がある。
グラフニューラルネットワーク(GNN)は、最近、固定分子カーネルに基づく古典的な手法に取って代わり、このタスクで大きな成功を収めた。
しかし、通常のGNNはある種のグラフを区別できないため、理論的な観点からはまだ非常に限定的なように見える。
この研究では、理論と実践の間のこのギャップを閉じます。
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持つgnnは、大域的な回転と変換に不変であり、置換に同値な予測に対する普遍的近似子であることを示す。
次に、これらの洞察と複数の構造改善を利用して、gemnet(geometry message passing neural network)を提案します。
複数のアブレーション研究において提案した変化の利点を実証する。
GemNetは、COLLおよびMD17分子動力学データセットの以前のモデルよりも36%優れており、特に最も困難な分子でよく機能している。
関連論文リスト
- ChiENN: Embracing Molecular Chirality with Graph Neural Networks [10.19088492223333]
本稿では,GNNをノード近傍の順序に敏感にする,理論的に正当化されたメッセージパス方式を提案する。
分子キラリティの文脈でこの概念を適用し、任意のGNNモデルに付加可能なキラルエッジニューラルネットワーク層を構築する。
GNNにChiENN層を追加することで、キラル感受性分子特性予測タスクにおける最先端の手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2023-07-05T10:50:40Z) - MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular
Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。
MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。
いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文 参考訳（メタデータ） (2022-12-20T19:32:30Z) - Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。
要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
論文 参考訳（メタデータ） (2022-10-01T21:17:39Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - Graph Neural Networks for Molecules [9.04563945965023]
本稿では、GNNとその様々な有機分子への応用について紹介する。
GNNは、ノード機能を反復的に更新するために、汎用的で強力なフレームワークであるメッセージパッシング操作に依存している。
論文 参考訳（メタデータ） (2022-09-12T20:10:07Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - Discovering the Representation Bottleneck of Graph Neural Networks from
Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。
最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。
科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文 参考訳（メタデータ） (2022-05-15T11:38:14Z) - Heterogeneous relational message passing networks for molecular dynamics
simulations [10.30351315399729]
本稿では,エンドツーエンドのヘテロジニアスグラフニューラルネットワークであるHermNetを提案し,複数の相互作用を1つのモデルで効率的に表現する。
HermNetは、分子と拡張システムの両方において、多くのトップパフォーマンスモデルに対して素晴らしいパフォーマンスを発揮する。
論文 参考訳（メタデータ） (2021-09-02T05:04:57Z) - Improving Molecular Graph Neural Network Explainability with
Orthonormalization and Induced Sparsity [0.0]
GCNNのトレーニング中に適用する2つの簡単な正規化手法を提案します。
BROはグラフ畳み込み演算を奨励し、正規直交ノード埋め込みを生成する。
ギニ正規化は出力層の重みに適用され、モデルが予測するために使える次元の数を制約する。
論文 参考訳（メタデータ） (2021-05-11T08:13:34Z) - Equivariant message passing for the prediction of tensorial properties
and molecular spectra [1.7188280334580197]
偏光性原子間相互作用ニューラルネットワーク(PaiNN)を提案する。
これを分子スペクトルのシミュレーションに適用し,電子構造基準と比較して4-5桁の高速化を実現した。
論文 参考訳（メタデータ） (2021-02-05T13:00:12Z) - Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。
MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。
我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文 参考訳（メタデータ） (2020-05-17T04:46:07Z)
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。