面向非平衡分子的快速且具备不确定性感知能力的方向性消息传递

化学中的许多重要任务都涉及分子在化学反应过程中的行为。然而，这些任务通常需要对远离平衡态的体系进行预测，而近年来机器学习在分子领域的研究主要集中在平衡态或接近平衡态的体系。本文旨在从三个方面拓展这一研究范围。首先，我们提出DimeNet++模型，在QM9平衡分子基准测试中，其速度比原始DimeNet快8倍，且精度提升10%。其次，我们通过构建具有挑战性的COLL数据集，对DimeNet++在高活性分子中的表现进行了验证，该数据集包含小分子在碰撞过程中产生的畸变构型。最后，我们研究了模型集成与均值-方差估计方法，用于不确定性量化，以加速对非平衡结构广阔空间的探索。本文提出的DimeNet++模型实现代码以及COLL数据集均已公开发布，可供学术界使用。