Passage hiérarchique d'informations entre messages pour l'apprentissage sur les graphes moléculaires

Nous présentons une architecture hiérarchique d'échange de messages neuronaux pour l'apprentissage sur les graphes moléculaires. Notre modèle prend en entrée deux représentations graphiques complémentaires : la représentation brute du graphe moléculaire et son arbre de jonction associé, dont les nœuds représentent des clusters significatifs dans le graphe d'origine, tels que des cycles ou des composés pontés. Nous apprenons ensuite une représentation de la molécule en transmettant des messages à l'intérieur de chaque graphe, tout en échangeant des informations entre les deux représentations grâce à un flux d'information de grossier à fin et de fin à grossier. Notre méthode permet de surmonter certaines limitations connues des GNN classiques, comme la détection des cycles, tout en restant très efficace en apprentissage. Nous validons sa performance sur le jeu de données ZINC ainsi que sur des jeux de données issus de la collection de benchmarks MoleculeNet.