CIN++：增强拓扑消息传递

图神经网络（Graph Neural Networks, GNNs）在处理图结构数据方面已展现出卓越的性能。然而，其表达能力存在显著局限，难以有效捕捉长程相互作用，且缺乏系统化的方法来建模高阶结构与群体交互。近期提出的细胞同构网络（Cellular Isomorphism Networks, CINs）通过基于细胞复形（cell complexes）的消息传递机制，解决了其中大部分问题。尽管如此，CINs仅利用边界消息和上向消息，未考虑底层复形中环结构之间的直接交互。而此类交互在许多现实世界复杂现象的建模中可能至关重要，例如超分子组装体的动力学行为、大脑中的神经活动模式以及基因调控过程。在本工作中，我们提出CIN++，对CINs中引入的拓扑消息传递机制进行增强。所提出的新型消息传递机制在每一层中允许细胞接收下向消息（lower messages），从而弥补了原有方法的不足。通过更全面地表征高阶结构与长程交互，我们的增强型拓扑消息传递机制在大规模、长程化学基准测试中取得了当前最优的性能表现，显著提升了模型的表达能力与实际应用效果。