論文の概要: Benchmarking Graphormer on Large-Scale Molecular Modeling Datasets
- arxiv url: http://arxiv.org/abs/2203.04810v1
- Date: Wed, 9 Mar 2022 15:40:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-10 21:11:21.419898
- Title: Benchmarking Graphormer on Large-Scale Molecular Modeling Datasets
- Title(参考訳): 大規模分子モデリングデータセットにおけるベンチマークグラフマー
- Authors: Yu Shi, Shuxin Zheng, Guolin Ke, Yifei Shen, Jiacheng You, Jiyan He,
Shengjie Luo, Chang Liu, Di He, Tie-Yan Liu
- Abstract要約: このノートには、最近のGraphormerのアップデートについて書かれている。
グローバルな受信フィールドとアダプティブアグリゲーション戦略により、Graphormerは従来のメッセージパッシングベースのGNNよりも強力である。
一方、最近のOpen Catalyst Challengeでは、競合他社よりも大幅に優れています。
- 参考スコア(独自算出の注目度): 87.00711479972503
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This technical note describes the recent updates of Graphormer, including
architecture design modifications, and the adaption to 3D molecular dynamics
simulation. With these simple modifications, Graphormer could attain better
results on large-scale molecular modeling datasets than the vanilla one, and
the performance gain could be consistently obtained on 2D and 3D molecular
graph modeling tasks. In addition, we show that with a global receptive field
and an adaptive aggregation strategy, Graphormer is more powerful than classic
message-passing-based GNNs. Empirically, Graphormer could achieve much less MAE
than the originally reported results on the PCQM4M quantum chemistry dataset
used in KDD Cup 2021. In the meanwhile, it greatly outperforms the competitors
in the recent Open Catalyst Challenge, which is a competition track on NeurIPS
2021 workshop, and aims to model the catalyst-adsorbate reaction system with
advanced AI models. All codes could be found at
https://github.com/Microsoft/Graphormer.
- Abstract(参考訳): この技術ノートは、アーキテクチャ設計の変更や3D分子動力学シミュレーションへの適応を含む、最近のGraphormerのアップデートについて説明している。
これらの簡単な修正により、Graphormerはバニラモデルよりも大規模な分子モデリングデータセットでより良い結果を得ることができ、2次元および3次元の分子グラフモデリングタスクで一貫して性能向上が得られる。
さらに、グローバルな受容場と適応的な集約戦略により、Graphormerは従来のメッセージパッシングベースのGNNよりも強力であることを示す。
実験上、graphormerはkdd cup 2021で使用されたpcqm4m量子化学データセットで報告された結果よりもはるかに少ないmaeを達成できた。
一方、最近のopen catalyst challengeはneurips 2021ワークショップのコンペティショントラックであり、先進的なaiモデルによる触媒-吸着反応システムのモデル化を目的としている。
すべてのコードはhttps://github.com/Microsoft/Graphormer.comにある。
関連論文リスト
- MolHF: A Hierarchical Normalizing Flow for Molecular Graph Generation [4.517805235253331]
MolHFは分子グラフを粗い方法で生成する新しい階層型フローベースモデルである。
MolHFは100以上の重原子を持つより大きな分子(ポリマー)をモデル化するための最初のフローベースモデルである。
論文 参考訳(メタデータ) (2023-05-15T08:59:35Z) - MolGraph: a Python package for the implementation of molecular graphs
and graph neural networks with TensorFlow and Keras [51.92255321684027]
MolGraphは、分子機械学習(ML)のためのグラフニューラルネットワーク(GNN)パッケージである
MolGraphは、分子ML問題を解決するためにGNNアルゴリズムに渡すことができる小さな分子グラフを生成するための化学モジュールを実装している。
GNNは分子識別に有用であり,クロマトグラフィー保持時間データの解釈性が向上した。
論文 参考訳(メタデータ) (2022-08-21T18:37:41Z) - Towards Training Billion Parameter Graph Neural Networks for Atomic
Simulations [11.328193255838986]
グラフ並列性(Graph Parallelism)は、入力グラフを複数のGPUに分散する手法であり、数十億から数十億のパラメータで非常に大きなGNNをトレーニングすることができる。
大規模Open Catalyst 2020データセットでは、これらのグラフ並列化モデルは、S2EFタスクの力MAEメトリックで15%、IS2RSタスクのAFbTメトリックで21%の相対的な改善をもたらす。
論文 参考訳(メタデータ) (2022-03-18T01:54:34Z) - An Empirical Study of Graphormer on Large-Scale Molecular Modeling
Datasets [87.00711479972503]
グラフマー-V2」は、バニラモデルよりも大規模な分子モデルデータセットにおいてより良い結果が得られる可能性がある。
グローバルな受信フィールドとアダプティブアグリゲーション戦略により、Graphormerは従来のメッセージパッシングベースのGNNよりも強力である。
論文 参考訳(メタデータ) (2022-02-28T16:32:42Z) - Image-Like Graph Representations for Improved Molecular Property
Prediction [7.119677737397071]
本稿では,CubeMol と呼ばれる GNN の必要性を完全に回避する,新しい固有分子表現法を提案する。
我々の定次元表現は、トランスモデルと組み合わせると、最先端のGNNモデルの性能を超え、拡張性を提供する。
論文 参考訳(メタデータ) (2021-11-20T22:39:11Z) - Graph Contrastive Learning Automated [94.41860307845812]
グラフコントラスト学習(GraphCL)は、有望な表現学習性能とともに登場した。
GraphCLのヒンジがアドホックなデータ拡張に与える影響は、データセット毎に手動で選択する必要がある。
本稿では,グラフデータ上でGraphCLを実行する際に,データ拡張を自動的に,適応的に動的に選択する統合バイレベル最適化フレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-10T16:35:27Z) - OGB-LSC: A Large-Scale Challenge for Machine Learning on Graphs [69.23600404232883]
OGB Large-Scale Challenge(OGB-LSC)は、大規模グラフMLにおける最先端の進歩のための3つの実世界のデータセットのコレクションです。
OGB-LSCは専用のベースライン実験を提供し、表現型グラフMLモデルを巨大なデータセットにスケールアップします。
論文 参考訳(メタデータ) (2021-03-17T04:08:03Z) - Conditional Constrained Graph Variational Autoencoders for Molecule
Design [70.59828655929194]
本稿では、このキーイデアを最先端のモデルで実装した、条件制約付きグラフ変分オートエンコーダ(CCGVAE)を提案する。
分子生成のために広く採用されている2つのデータセットについて、いくつかの評価指標について改善した結果を示す。
論文 参考訳(メタデータ) (2020-09-01T21:58:07Z)
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。