ComENet: Hin zu einer Vollständigen und Effizienten Nachrichtenübertragung für 3D-Molekülgitter

Viele realweltlichen Datensätze können als 3D-Graphen modelliert werden, doch die effiziente und vollständige Erfassung von 3D-Informationen in Lernrepräsentationen stellt eine Herausforderung dar. Bestehende Methoden nutzen entweder nur partielle 3D-Informationen oder leiden unter erheblichem Rechenaufwand. Um 3D-Informationen vollständig und effizient zu integrieren, schlagen wir ein neuartiges Nachrichtenübertragungsverfahren vor, das innerhalb von 1-Hop-Nachbarschaften operiert. Unser Ansatz gewährleistet die vollständige Erfassung von 3D-Informationen auf 3D-Graphen durch Erreichung sowohl globaler als auch lokaler Vollständigkeit. Insbesondere führen wir wichtige Rotationswinkel ein, um die globale Vollständigkeit zu gewährleisten. Zudem zeigen wir, dass unsere Methode um Größenordnungen schneller ist als frühere Ansätze. Wir liefern eine strenge Beweisführung für die Vollständigkeit sowie eine Analyse der Zeitkomplexität unserer Methode. Da Moleküle im Wesentlichen Quantensysteme sind, kombinieren wir quanteninspirierte Basisfunktionen mit dem vorgeschlagenen Nachrichtenübertragungsverfahren, um das \underline{com}plete und \underline{e}ffiziente Graph Neural Network (ComENet) zu entwickeln. Experimentelle Ergebnisse belegen die Leistungsfähigkeit und Effizienz von ComENet, insbesondere auf realweltlichen Datensätzen, die sowohl hinsichtlich der Anzahl als auch der Größe der Graphen groß sind. Der Quellcode ist öffentlich im Rahmen der DIG-Bibliothek verfügbar (\url{https://github.com/divelab/DIG}).