Passage de messages sphérique pour les réseaux de graphes 3D

Nous considérons l'apprentissage de représentations pour les graphes moléculaires en 3D, dans lesquels chaque atome est associé à une position spatiale en trois dimensions. Il s'agit d'un domaine de recherche encore peu exploré, et un cadre fondé sur le passage de messages (message passing) rigoureux fait actuellement défaut. Dans ce travail, nous menons des analyses dans le système de coordonnées sphériques (SCS) afin d'identifier de manière complète les structures de graphes en 3D. À partir de ces observations, nous proposons une nouvelle approche puissante, nommée passage de messages sphérique (SMP), dédiée à l'apprentissage des molécules en 3D. Le SMP réduit considérablement la complexité d'entraînement, permettant ainsi une exécution efficace sur de grandes molécules. De plus, le SMP est capable de distinguer presque toutes les structures moléculaires, les cas non distingués restants étant probablement inexistants dans la pratique. En s'appuyant sur des représentations physiquement significatives de l'information en 3D, nous proposons également SphereNet, un modèle dédié à l'apprentissage des molécules en 3D. Les résultats expérimentaux démontrent que l'utilisation d'informations 3D pertinentes dans SphereNet conduit à des améliorations significatives des performances sur diverses tâches de prédiction. Nos résultats mettent également en évidence les avantages de SphereNet en termes de capacité, d'efficacité et de scalabilité. Le code associé est disponible publiquement dans le cadre de la bibliothèque DIG (https://github.com/divelab/DIG).