Réseaux de neurones sur graphes moléculaires hétérogènes pour la prédiction des propriétés des molécules

Étant donné leur grand potentiel pour modéliser des interactions complexes, les méthodes fondées sur les réseaux de neurones graphes (GNN) sont largement utilisées pour prédire les propriétés mécaniques quantiques des molécules. La plupart des méthodes existantes représentent les molécules sous forme de graphes moléculaires, où les atomes sont modélisés comme des nœuds, et caractérisent l’environnement chimique de chaque atome en modélisant ses interactions par paires avec les autres atomes de la molécule. Bien que ces approches aient connu un grand succès, un nombre limité d’études considèrent explicitement les interactions à plusieurs corps, c’est-à-dire les interactions impliquant trois atomes ou plus. Dans cet article, nous introduisons une nouvelle représentation graphique des molécules, appelée graphe moléculaire hétérogène (HMG), dans laquelle les nœuds et les arêtes peuvent être de différents types, afin de modéliser efficacement les interactions à plusieurs corps. Les HMG sont capables de représenter des informations géométriques complexes. Pour exploiter pleinement l’information riche contenue dans les HMG dans le cadre de problèmes de prédiction chimique, nous proposons un nouveau modèle, les réseaux de neurones graphes moléculaires hétérogènes (HMGNN), basé sur un schéma de passage de messages neuronal. L’HMGNN intègre des représentations globales de la molécule ainsi qu’un mécanisme d’attention dans le processus de prédiction. Les prédictions de notre modèle sont invariantes par translation et rotation des coordonnées atomiques, ainsi que par permutation des indices atomiques. Notre modèle atteint des performances de pointe sur 9 des 12 tâches du jeu de données QM9.