量子化学中的神经信息传递

贾斯汀·吉尔默（Justin Gilmer）、塞缪尔·肖恩霍尔茨（Samuel S.Schoenholz）、帕特里克·莱利（Patrick F.Riley）、奥利奥·维尼亚尔斯（Oriol Vinyals）、乔治·E·达尔
第34届国际机器学习会议记录，PMLR 70:1263-12722017年。

摘要

分子的监督学习在化学、药物发现和材料科学方面具有巨大的潜力。幸运的是，文献中已经描述了几种有前途且密切相关的分子对称性不变的神经网络模型。这些模型学习消息传递算法和聚合过程，以计算其整个输入图的函数。此时，下一步是找到这种通用方法的一种特别有效的变体，并将其应用于化学预测基准，直到我们解决它们或达到该方法的极限。在本文中，我们将现有模型重新定义为一个单一的通用框架，称为消息传递神经网络（MPNNs），并在此框架中探索其他新的变化。使用MPNNs，我们展示了一个重要分子性质预测基准的最新结果；这些结果足够强大，我们认为未来的工作应该集中在具有更大分子或更准确的基本真相标签的数据集上。

引用本文

BibTeX公司
@会议记录{pmlr-v70-gilmer17a，title={量子化学的神经信息传递}，author={贾斯汀·吉尔默（Justin Gilmer）、塞缪尔·肖恩霍尔茨（Samuel S.Schoenholz）、帕特里克·莱利（Patrick F.Riley）、奥里奥尔·维尼亚尔斯（Oriol Vinyals）和乔治·达尔（George E.Dahl）}，booktitle={第34届机器学习国际会议论文集}，页数={1263--1272}，年份={2017年}，editor={Precup、Doina和Teh、Yee Whye}，体积={70}，series={机器学习研究论文集}，月={06--8月11日}，publisher={PMLR}，pdf={http://proceedings.mlr.press/v70/gilmer17a/gilmer17a.pdf},url={https://proceedings.mlr.press/v70/gilmer17a.html},抽象={对分子的监督学习在化学、药物发现和材料科学中具有令人难以置信的潜力。幸运的是，文献中已经描述了几种有前途且密切相关的对分子对称性不变的神经网络模型。这些模型学习了一种消息传递算法和聚合过程o计算其整个输入图的函数。在这一点上，下一步是找到这种通用方法的一个特别有效的变体，并将其应用于化学预测基准，直到我们解决它们或达到该方法的极限。在本文中，我们将现有模型重新定义为一个单一的通用框架，称为消息传递神经网络（MPNNs），并在此框架中探索其他新的变化。使用MPNNs，我们展示了一个重要分子性质预测基准的最新结果；这些结果足够强大，我们认为未来的工作应该集中在具有更大分子或更准确的基本真理标签的数据集上。}}
尾注
%0会议论文%量子化学中的T神经信息传递%贾斯汀·吉尔默%塞缪尔·肖恩霍尔茨%帕特里克·F·莱利%A Oriol葡萄酒%乔治·E·达尔%第34届机器学习国际会议论文集%C机器学习研究论文集%D 2017年%E Doina Precup公司%E Yee Whye Teh公司%F pmlr-v70-吉尔默17a%我PMLR%电话1263-1272%U型https://proceedings.mlr.press/v70/gilmer17a.html%70伏%X分子的监督学习在化学、药物发现和材料科学方面具有巨大的潜力。幸运的是，文献中已经描述了几种有前途且密切相关的分子对称性不变的神经网络模型。这些模型学习消息传递算法和聚合过程，以计算其整个输入图的函数。此时，下一步是找到这种通用方法的一种特别有效的变体，并将其应用于化学预测基准，直到我们解决它们或达到该方法的极限。在本文中，我们将现有模型重新定义为一个单一的通用框架，称为消息传递神经网络（MPNNs），并在此框架中探索其他新的变化。使用MPNNs，我们展示了一个重要分子性质预测基准的最新结果；这些结果足够强大，我们认为未来的工作应该集中在具有更大分子或更准确的基本真相标签的数据集上。
亚太地区
Gilmer，J.、Schoenholz，S.S.、Riley，P.F.、Vinyals，O.&Dahl，G.E.（2017）。量子化学的神经信息传递。第34届国际机器学习会议记录，英寸机器学习研究进展70:1263-1272网址：https://proceedings.mlr.press/v70/gilmer17a.html。

相关材料