Direktionales Nachrichtenübermitteln für molekulare Graphen

Graphennetze haben in jüngster Zeit erhebliche Erfolge bei der Vorhersage quantenmechanischer Eigenschaften von Molekülen erzielt. Diese Modelle stellen ein Molekül als Graph dar, wobei lediglich die Abstände zwischen Atomen (Knoten) berücksichtigt werden. Sie berücksichtigen jedoch nicht die räumliche Richtung von einem Atom zum anderen, obwohl Richtungsinformationen eine zentrale Rolle in empirischen Potentialen für Moleküle spielen, beispielsweise bei winkelabhängigen Potentialen. Um diese Einschränkung zu überwinden, schlagen wir eine gerichtete Nachrichtenweitergabe vor, bei der nicht die Atome selbst, sondern die zwischen den Atomen übermittelten Nachrichten in eine Einbettung transformiert werden. Jede Nachricht ist mit einer Richtung im Koordinatenraum assoziiert. Diese gerichteten Nachrichteneinbettungen sind rotationsäquivalent, da die zugehörigen Richtungen sich zusammen mit dem Molekül drehen. Wir entwickeln ein Nachrichtenweitergabeverfahren, das einer Glaubwürdigkeitsübertragung ähnelt und die Richtungsinformation nutzt, indem es Nachrichten anhand des Winkels zwischen ihnen transformiert. Zudem verwenden wir sphärische Besselfunktionen und sphärische Harmonische, um theoretisch fundierte, orthogonale Darstellungen zu konstruieren, die eine bessere Leistung erzielen als die derzeit üblichen Gaussian-radialen Basisdarstellungen, jedoch weniger als ein Viertel der Parameter benötigen. Wir nutzen diese Innovationen, um das gerichtete Nachrichtenweitergabeneuralnetz (DimeNet) zu entwickeln. DimeNet übertrifft die bisherigen GNNs im Durchschnitt um 76 % auf dem MD17-Datensatz und um 31 % auf dem QM9-Datensatz. Unsere Implementierung ist online verfügbar.