Prédiction des propriétés moléculaires : une perspective de modélisation des interactions quantiques multiniveaux

La prédiction des propriétés moléculaires (par exemple, l'énergie d'atomisation) est une question cruciale en chimie quantique, qui pourrait accélérer considérablement le progrès de la recherche dans des domaines tels que la conception de médicaments et la découverte de substances. Les études traditionnelles basées sur la théorie de la fonctionnelle de densité (DFT) en physique ont été démontrées comme étant très coûteuses en temps pour prédire un grand nombre de molécules. Récemment, les méthodes d'apprentissage automatique, qui prennent en compte de nombreuses informations basées sur des règles, ont également montré leur potentiel pour cette problématique. Cependant, les interactions quantiques complexes inhérentes aux molécules restent largement sous-exploitées par les solutions existantes. Dans cet article, nous proposons un réseau neuronal convolutif à graphes multiniveaux (MGCN) généralisable et transférable pour la prédiction des propriétés moléculaires. Plus précisément, nous représentons chaque molécule sous forme de graphe afin de préserver sa structure interne. De plus, le réseau neuronal à graphes hiérarchique bien conçu extrait directement des caractéristiques à partir des informations de conformation et spatiales, suivies par les interactions multiniveaux. Par conséquent, les représentations globales multiniveaux peuvent être utilisées pour effectuer la prédiction. Des expériences approfondies sur des jeux de données contenant à la fois des molécules à l'équilibre et hors équilibre démontrent l'efficacité de notre modèle. De plus, les résultats détaillés montrent également que le MGCN est généralisable et transférable pour la prédiction.