اختبار الشبكات العصبية الرسومية

في السنوات الأخيرة، أصبحت الشبكات العصبية الرسومية (GNNs) الأداة القياسية لتحليل البيانات وتعلمها على الرسوم البيانية. وقد شهد هذا المجال الناشئ نمواً واسعاً في تقنيات واعدة تم تطبيقها بنجاح في علوم الحاسوب، والرياضيات، والبيولوجيا، والفيزياء، والكيمياء. لكن لأي مجال ناجح أن يصبح شائعاً وموثوقاً، يجب تطوير معايير معيارية لقياس التقدم. وقد دفعنا هذا إلى إطلاق إطار معياري في مارس 2020، يتميز بـ: (أ) تجميع متنوع من الرسوم البيانية الرياضية والواقعية، (ب) تمكين مقارنة عادلة بين النماذج ضمن نفس الحد الأقصى للبارامترات لتحديد الهياكل الأساسية، (ج) توفير بنية رمزية مفتوحة المصدر، سهلة الاستخدام، قابلة للتكرار، و(د) المرونة لتمكين الباحثين من تجريب أفكار نظرية جديدة. وبحلول ديسمبر 2022، وصلت مستودع GitHub إلى 2000 نجمة و380 فرعًا، مما يدل على فائدة الإطار المفتوح المصدر المقترح من خلال الاستخدام الواسع من قبل مجتمع الشبكات العصبية الرسومية. في هذا البحث، نقدّم إصداراً محدّثاً من معيارنا، مع عرض موجز للخصائص المذكورة أعلاه، ونُضيف مجموعة بيانات جزيئية متوسطة الحجم الجديدة AQSOL، التي تشبه مجموعة ZINC الشهيرة، لكنها تتميز بمتغير كيميائي حقيقي مُقاس في الواقع، ونناقش كيف يمكن استغلال هذا الإطار لاستكشاف تصاميم جديدة للشبكات العصبية الرسومية وفهم أعمق. كدليل على قيمة معيارنا، نقوم بدراسة حالة الترميز المكاني للرسوم البيانية (PE) في الشبكات العصبية الرسومية، الذي تم تقديمه لأول مرة مع هذا المعيار، وقد أثار منذ ذلك الحين اهتماماً متزايداً بدراسة ترميزات مكانيّة أكثر قوة لشبكات Transformers والشبكات العصبية الرسومية في بيئة تجريبية موثوقة.