Heterogene Molekül-Graphen-Neuronale Netze zur Vorhersage von Moleküleigenschaften

Da sie ein großes Potenzial zur Modellierung komplexer Wechselwirkungen bieten, werden graphenbasierte neuronale Netzwerke (Graph Neural Networks, GNN) weithin zur Vorhersage quantenmechanischer Eigenschaften von Molekülen eingesetzt. Die meisten bestehenden Methoden modellieren Moleküle als Molekülgraphen, bei denen Atome als Knoten interpretiert werden. Die chemische Umgebung jedes Atoms wird dabei durch die Modellierung seiner paarweisen Wechselwirkungen mit anderen Atomen im Molekül beschrieben. Obwohl diese Ansätze große Erfolge erzielt haben, berücksichtigen nur wenige Arbeiten explizit viele-Körper-Wechselwirkungen, also Wechselwirkungen zwischen drei oder mehr Atomen. In diesem Artikel stellen wir eine neuartige Graphendarstellung von Molekülen vor – den heterogenen Molekülgraphen (Heterogeneous Molecular Graph, HMG) –, bei dem Knoten und Kanten unterschiedliche Typen aufweisen, um viele-Körper-Wechselwirkungen zu modellieren. HMGs besitzen das Potenzial, komplexe geometrische Informationen zu erfassen. Um die reichhaltige Information, die in HMGs gespeichert ist, für chemische Vorhersageaufgaben zu nutzen, entwickeln wir heterogene Molekülgraphen-neuronale Netzwerke (Heterogeneous Molecular Graph Neural Networks, HMGNN), die auf einem neuronalen Nachrichtenübertragungs-Schema basieren. HMGNN integrieren globale Molekülrepräsentationen sowie eine Aufmerksamkeitsmechanik in den Vorhersageprozess. Die Vorhersagen von HMGNN sind invariant gegenüber Translationen und Rotationen der Atomkoordinaten sowie gegenüber Permutationen der Atomindizes. Unser Modell erreicht state-of-the-art-Leistungen in 9 von 12 Aufgaben des QM9-Datensatzes.