基于3D结构的球形消息传递机制的GNN Spherical Message Passing for 3D Graph Networks

地址： https://arxiv.org/abs/2102.05013v1

内容：3D结构信息对分子处理十分重要，但是以往的GNN没有考虑到

• 
  • 先固定一个点
  • 然后𝑑,𝜃,𝜑分别表示距离、夹角、扭角
• 因为直接使用这种三维结构缺乏有意义的物理表示，因此使用基于物理的表示进行处理

1 一般的基于3D的空间传递模型

• 
• 对应公式
  • 
  • 
  • 
  • 
  • 
  • 
  • 
  • 
  • 
  • 示意图，左边为更新边的（公式（1）第一个），右边为更新节点的（公式（1）第二个）
    • 

2 三维坐标的表示方法

• 三个重要的量：𝑑,𝜃,𝜑
  • 
  • 
  • 
  • 

3 提出的模型

• 作者对图1进行了简化，结果如下
  • 

• 
• 可以看出，空间信息的聚合只在更新边的时候使用了

空间信息的处理

• 这段看的完全一脸懵逼，看不懂，直接把最后三个公式当结论看了
• 由于直接使用(𝑑,𝜃,𝜑)没有物理上的意义，因此考虑近似密度泛函理论(DFT)的薛定谔方程的解
• 薛定谔方程可以用与时间无关的方式写成
  • 
• 通过分离变量并将笛卡尔坐标系转换为SCS(Griffiths&Schroeter，2018)，SCS中薛定谔方程的一般正则解是
  • 
• 执行一些trick的简化版本
  • 
• 去掉扭角的简化版本
  • 
• 只有距离的简化版本
  • 

模型概览

4 实验结果

• 12项任务,8个最优,2个次优（表1），另外还有两个数据集也做了（表2~3）
  • 

• 

• 

• 消融实验
  • 

5 感想

• 总体来说还是很清晰的，除了那几个物理公式
• 最后的三维表表示，其实这就相当于用物理的方法，把先验知识引入到了模型之中。有效是肯定有效的，但是不见得就是最好的表示。个人觉得完全可以探讨一种预训练的方法，输入就是(𝑑,𝜃,𝜑)，甚至是笛卡尔坐标，让模型自适应地进行调整。