3次元グラフネットワークにおける球面メッセージパッシング

3次元空間における原子の位置情報を持つ3次元分子グラフの表現学習について検討する。これは現在まであまり十分に研究されていない分野であり、体系的なメッセージパッシングフレームワークの構築はまだ行われていない。本研究では、3次元グラフ構造を完全に同定可能とするために、球座標系（Spherical Coordinate System, SCS）を用いた分析を行う。このような観察に基づき、新たな強力な3次元分子学習スキームとして球座標系メッセージパッシング（Spherical Message Passing, SMP）を提案する。SMPは学習の複雑性を大幅に低減し、大規模な分子においても効率的な処理を可能にする。さらに、SMPはほぼすべての分子構造を区別可能であり、識別が困難なケースは実際の分子構造では存在しない可能性が高い。物理的に意味のある3次元情報の表現を基盤として、さらにSphereNetを3次元分子学習用に提案する。実験結果から、SphereNetにおける意味ある3次元情報の活用が予測タスクにおける性能向上をもたらすことが明らかになった。また、性能、効率性、スケーラビリティの観点からもSphereNetの優位性が実証された。本研究のコードは、DIGライブラリ（https://github.com/divelab/DIG）として公開されている。