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
相关材料