Hierarchisches Inter-Message-Passing für das Lernen auf Molekülgraphen

Wir präsentieren eine hierarchische neuronale Nachrichtenübertragungsarchitektur zur Lernung auf molekularen Graphen. Unser Modell verarbeitet zwei ergänzende Graphendarstellungen: die rohe molekulare Graphendarstellung sowie deren zugehörigen Verzweigungsbaum (junction tree), bei dem die Knoten bedeutungsvolle Cluster im ursprünglichen Graphen repräsentieren, beispielsweise Ringe oder brückenartige Verbindungen. Anschließend lernen wir die Darstellung einer Molekülstruktur, indem Nachrichten innerhalb jedes Graphen übertragen werden und zwischen den beiden Darstellungen über einen grob-zu-fein- und fein-zu-grob-Informationstransfer kommuniziert werden. Unsere Methode überwindet einige bekannte Einschränkungen klassischer GNNs, wie beispielsweise die Erkennung von Zyklen, und bleibt gleichzeitig sehr effizient im Training. Die Leistungsfähigkeit unseres Ansatzes wird anhand des ZINC-Datensatzes sowie an Datensätzen aus der MoleculeNet-Benchmark-Sammlung validiert.