Нейронная передача сообщений для квантовой химии
Neural Message Passing for Quantum Chemistry
2017-04-04
SCID: 54.1/s57x2tss
Discuss with AI
Message Passing Neural Networks (MPNNs)предсказание свойств молекулинвариантность к молекулярным симметриямнейронная передача сообщенийбенчмарки квантовой химии
Figures from the paper
Abstract (AI)
Обучение с учителем на молекулах обладает огромным потенциалом для применения в химии, разработке лекарств и материаловедении. В литературе уже описано несколько многообещающих и тесно связанных нейронных сетевых моделей, инвариантных относительно молекулярных симметрий. Эти модели изучают алгоритм передачи сообщений и процедуру агрегирования для вычисления функции от всего входного графа. Следующий шаг — найти особенно эффективный вариант этого общего подхода и применить его к бенчмаркам химических предсказаний до тех пор, пока либо не будут решены сами бенчмарки, либо не будут достигнуты пределы подхода. В данной статье мы реформулируем существующие модели в единую общую структуру, которую называем Message Passing Neural Networks (MPNNs), и исследуем дополнительные новые вариации в рамках этой структуры. С помощью MPNN мы демонстрируем передовые результаты на важном бенчмарке предсказания свойств молекул; эти результаты настолько убедительны, что, по нашему мнению, будущие исследования должны сосредоточиться на наборах данных с более крупными молекулами или с более точными эталонными (ground-truth) метками.
Key Findings
1
MPNN демонстрируют передовые (state-of-the-art) результаты на важном бенчмарке предсказания свойств молекул.
2
Полученные результаты настолько сильны, что дальнейший прогресс требует датасетов с более крупными молекулами или более точными эталонными метками.
3
В рамках MPNN исследуются новые варианты архитектур для улучшения предсказания свойств молекул.
4
Авторы объединяют несколько моделей нейронных сетей для молекулярных графов в единый фреймворк Message Passing Neural Network (MPNN).
Research Object
Молекулы, представленные в виде графов, для задач предсказания молекулярных свойств
Research Subject
Нейронные сети передачи сообщений (MPNN) и их варианты для обучения/вычисления молекулярных свойств посредством обучаемой передачи сообщений и агрегации на графах молекул, оцененных на бенчмарках химического предсказания
Publication Details
Publication Date
2017-04-04
Journal
Publisher
ISSN
Cited by
5055
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Работы, цитирующие эту статью20
Всеобъемлющий обзор графовых нейронных сетей2020
Графовые нейронные сети: обзор методов и приложений2020
Динамическая графовая сверточная нейронная сеть для обучения на облаках точек2019
MoleculeNet: эталонный набор для машинного обучения молекул2017
Последние достижения и применения машинного обучения в физике и материаловедении твёрдого тела2019
Трансформер для неоднородных графов2020
Сверточные графовые сети: всесторонний обзор2019
Расцвет глубокого обучения в разработке лекарственных средств2018
Глубокое обучение на графах: обзор2020
Графовые нейронные сети: обзор методов и приложений2018
Машинное обучение в материаловедении2019
DScribe: библиотека дескрипторов для машинного обучения в материаловедении2019
Ускорение поиска материалов для чистой энергетики в эпоху интеллектуальной автоматизации2018
Молекулярные представления в разработке лекарственных средств с использованием искусственного интеллекта: обзор и практическое руководство2020
Обзор графовых нейронных сетей для временных рядов: прогнозирование, классификация, импутация и обнаружение аномалий2024
Искусственный интеллект в разработке лекарственных средств: последние достижения и перспективы2021
Когда физика встречает машинное обучение: обзор physics-informed machine learning2025
Графовые нейронные сети и их современные применения в биоинформатике2021
Вычисления для графовых нейронных сетей: обзор от алгоритмов до ускорителей2021
Графовые нейронные сети для обнаружения вторжений: обзор2023