CIN++: Verbesserung des topologischen Nachrichtenpassens

Graph Neural Networks (GNNs) haben sich bei der Verarbeitung graphenstrukturierter Daten als äußerst erfolgreich erwiesen. Dennoch weisen sie erhebliche Einschränkungen hinsichtlich ihrer Ausdruckskraft auf, insbesondere bei der Modellierung langreichweitiger Wechselwirkungen und bei der systematischen Erfassung höherer Ordnungstrukturen sowie Gruppeninteraktionen. Cellular Isomorphism Networks (CINs) haben diese Herausforderungen kürzlich weitgehend durch einen Nachrichtenübertragungsansatz, der auf Zellkomplexen basiert, adressiert. Trotz ihrer Vorteile berücksichtigen CINs lediglich Grenz- und Oberflächen-Nachrichten, wodurch direkte Wechselwirkungen zwischen den Ringen, die in dem zugrundeliegenden Komplex enthalten sind, nicht erfasst werden. Die Berücksichtigung solcher Wechselwirkungen könnte entscheidend für die Lernfähigkeit von Repräsentationen vieler realweltlicher komplexer Phänomene sein, wie beispielsweise der Dynamik supramolekularer Aggregate, der neuronalen Aktivität im Gehirn oder genregulatorischer Prozesse. In dieser Arbeit stellen wir CIN++ vor, eine Erweiterung des topologischen Nachrichtenübertragungsansatzes, der in CINs eingeführt wurde. Unser Nachrichtenübertragungsverfahren behebt die genannten Einschränkungen, indem es den Zellen ermöglicht, innerhalb jeder Schicht zusätzlich auch untere Nachrichten zu empfangen. Durch eine umfassendere Darstellung höherer Ordnung und langreichweitiger Wechselwirkungen erreicht unser verbessertes topologisches Nachrichtenübertragungsverfahren state-of-the-art Ergebnisse auf großskaligen und langreichweitigen Chemiebenchmarks.