摘要
我们研究三维分子图的表示学习，其中每个原子均与三维空间中的一个位置相对应。这一研究方向目前仍处于探索不足的状态，尚缺乏系统性的消息传递框架。在本工作中，我们基于球坐标系（Spherical Coordinate System, SCS）对三维图结构进行完整表征分析。基于上述观察，我们提出了一种新颖且强大的三维分子学习框架——球坐标消息传递（Spherical Message Passing, SMP）。SMP显著降低了模型的训练复杂度，使其能够高效处理大规模分子。此外，SMP几乎可以区分所有分子结构，而未能区分的极少数情况在实际分子中可能并不存在。在此基础上，我们进一步提出了基于物理意义明确的三维信息表示的SphereNet模型，用于三维分子学习。实验结果表明，SphereNet中引入有意义的三维信息显著提升了预测任务的性能。我们的研究还验证了SphereNet在表达能力、计算效率和可扩展性方面的优势。相关代码已开源，作为DIG库的一部分（https://github.com/divelab/DIG）。