摘要
由于图神经网络（Graph Neural Network, GNN）在建模复杂相互作用方面具有巨大潜力，基于GNN的方法已被广泛应用于预测分子的量子力学性质。现有大多数方法将分子视为分子图，其中原子被建模为节点，并通过刻画原子与分子内其他原子之间的成对相互作用来表征每个原子的化学环境。尽管这些方法取得了显著成功，但鲜有研究显式地考虑三体及以上原子间的多体相互作用（即三原子及以上原子之间的相互作用）。本文提出一种新型分子图表示方法——异质分子图（Heterogeneous Molecular Graph, HMG），其节点和边具有多种类型，旨在有效建模多体相互作用。HMG具备捕捉复杂几何信息的潜力。为充分利用HMG中蕴含的丰富信息以解决化学预测问题，我们基于神经消息传递机制构建了异质分子图神经网络（Heterogeneous Molecular Graph Neural Network, HMGNN）。HMGNN在预测过程中融合了全局分子表征与注意力机制，其预测结果对原子坐标平移与旋转以及原子索引的置换均保持不变性。在QM9数据集的12项任务中，本模型在其中9项上达到了当前最优（state-of-the-art）的性能表现。