浅谈Spherical Message Passing for 3D Graph Networks

目录

​背景

MPNN

SMPNN

Definition of Graph in paper

Computational Steps

Spherical message passing

New Computational Steps

Physical Solutions Approximating DFT

网络架构

Input Block

Interaction Block & Output Block

总结

参考

---

Background

对3D Graph的表征学习需要考虑到每个节点的位置信息，这是一个待探索的领域。文章中，作者提出将每个节点的位置信息加入到Message Passing中进行分子表征学习，名为3DGN，再进一步引入Spherical Coordinate System下的坐标三元组后成为SphereNet。

MPNN

首先需要了解以下什么是Message Passing。消息传递神经网络是谷歌在17年的一篇叫Neural Message Passing for Quantum Chemistry （点我跳转pdf）的文章中提出的，利用Message Passing来提取特征，首先化学分子很自然的可以看成一个图，键就是边，原子就是节点。

 这里借用一下别人的图，因为我觉得这个很好描述了消息传递机制！

消息传递分两个阶段：消息传递阶段以及读出阶段

在这里，把A节点看作receiver，那他的邻接点就要send信息给他，自然就是sender，想要从邻接点中get到信息，首先邻接点就需要有信息。用其中一个临界点B举例子，B又要从B的邻接点中get信息，也就是A和C，然后把A和C的信息聚合起来，作为B能send给A的信息，A将receive到所有信息后，通过nn，便可完成A本身特征的更新，传递阶段完成。

读出阶段其实就是利用每个节点更新的信息，把他们汇总经一个nn提取全局信息。

想要具体查看具体nn的实现点击【GNN】MPNN：消息传递神经网络

SMPNN

接下来就是文章的重点——球形消息传递神经网络

Definition of Graph in paper

我们知道，正常的Graph无非就是Node和Edge，但是文章说了3D Graph，自然要多点内容。

 他说3D Graph包含一个四元组——()，概括性的说分别对应全局特征，点，边，每个点的在笛卡尔坐标系的值。然后的话就是，