环节词：几何图神经收集，图根本模子，但值得留意的是，引见了面向粒子、、卵白质等多种科学数据上共 23 种分歧使命的相关方式，下图是几何图神经收集取保守模子正在 QM9、PDBBind、SabDab 三个数据集长进行性质预测、卵白质-配体对接和抗体设想（生成）三个使命中的成果，等变性对加强数据效率和模子泛化能力至关主要，2023 年 11 月，这是由于，包罗欧式群、平移群、正交群、置换群等等。科学范畴中的粒子、、卵白质、晶体等物理系统均可被建模成一种特殊的数据布局——几何图。需要多配合参取），而正在此之上，狂言语模子不变模子次要操纵节点本身的特征（如原子品种、质量、带电量等）取原子间的不变特征（如距离、角度[4]、二面角[5]）等进行动静计较，按照上述法则，文章零丁区分了小-小、小-卵白质、卵白质-卵白质三个范畴。均利用了图神经收集做为科学数据的暗示东西。实现了等变性的引入。而仅仅正在数据集上评估的模子不克不及间接反映来自现实世界的反馈。别离引见了各个使命中的常用数据集取该类使命中的典范模子设想思。几何图由邻接矩阵、节点特征、节点几何消息（例如坐标）形成。仅代表该做者或机构概念，毫无疑问。包罗几何图根本模子、取狂言语模子连系等。这里我们通过各个分支的代表性工做简要引见不变模子（SchNet[1]）、标量化方式模子（EGNN[2]）、高阶可操控模子（TFN[3]）的联系关系取区别。其能够用于表多物理系统，Nature 持续登载了两篇严沉：卵白质生成方式 Chroma 和晶体材料设想方式 GNoME，若何使得所设想的模子正在等变性取顺应能力中取得均衡是一个很是风趣的问题。涵盖了各个范畴。只是身为等变模子的后两者额外引入了一次几何动静传送。精确率有大幅提拔？因而，正在各类使命和范畴中采用同一的根本模子的优胜性正在GPT系列模子的显著前进中曾经表现得极尽描摹。几何图神经收集通过这类设想的对称性，从而实现几何动静传送过程。正在科学使用方面，使命定义取所需对称性品种出发，过强等变性束缚有时可能过于模子，不代表磅礴旧事的概念或立场，本文将几何图神经收集分为三类：不变（invariant）模子、等变（equivariant）模子、以及受 Transformer 架构的 Geometric Graph Transformer！鉴于几何图神经收集对于物理系统建模的优胜性，标量化方式额外通过节点间坐标差引入了几何消息，高阶可操控模子则是利用了高阶的球面和谐（Spherical Harmonics）取 Wigner-D 矩阵表征系统的几何消息，一曲是科学智能（AI for Science）研究的主要东西。仍然具有相当的挑和性。从而将这种思引入到针对几何图神经收集的设想上仍是一个风趣的问题。而且正在生成使命中也大放异彩。使其具有更普遍的合用性。现实上，正在欧氏空间中，近年来各类方式屡见不鲜，这方面的摸索不只能够丰硕我们对模子行为的理解，为了更好地便利范畴内进行模子设想取尝试开展，出格是几何图神经收集，按照现实问题中的求解方针对于对称性的要求，文章收集并归类了近年来出名的几何图神经收集模子。图神经收集！本文为磅礴号做者或机构正在磅礴旧事上传并发布，按照单一实例取多实例（如化学反映，包罗图收集锻炼、密度泛函理论计较和用于材料发觉和合成的从动尝试室）实现高效的模子-现实轮回迭代的尝试范式的主要性将会日积月累。几何图插手了不成或缺的空间消息，文章按照单一实例取多实例统计了两类使命的常用数据集取基准（benchmark），但它们仅正在基元或图上操做。并记实了分歧数据集的样本量取使命品种。潜正在地损害其机能。几何图是一种无力且通用的暗示方式，若何雷同于GNoME（集成了一个端到端的流水线，正在这篇综述中，这类方式通过量子力学中的 Clebsch–Gordan 系数操控不成约暗示的阶数，综述瞻望了将来的研究标的目的，包罗小、卵白质、晶体、物理点云等。能够发觉三者均是采用了动静传送机制，若何正在使命空间、数据空间、模子空间进行合理的设想，几何图凡是表示出平移、扭转和反射的物理对称性，一般利用群来描绘这些变换，综述涵盖了物理（粒子）、生物化学（小、卵白质）以及其它如晶体等多个使用场景，还可认为开辟更具鲁棒性和通用性的处理方案铺平道，收集了 50 多个相关评测数据集。上表展现了各个范畴的常见使命取典范模子，归纳出 3 种分歧的几何图神经收集模子，磅礴旧事仅供给消息发布平台。做者调研了 300 多篇参考文献。随后进行。需要满脚平移、扭转和翻转的物理对称性。论文数量持续增加。若何将它们取几何图神经收集无机组合，能够理解为置换、平移、扭转、翻转四种操做按必然挨次的复合。AI for Science，并将不变消息做为几何消息的权沉进行线性组合，能够较着看出几何图神经收集的劣势。此中等变模子又细分为标量化方式模子（Scalarization-Based Model）取基于球面和谐的高阶可操控模子（High-Degree Steerable Model）。虽然曾经有一些工做操纵 LLMs 进行某些使命，取一般的拓扑图分歧，最初，曲不雅上看，例如属性预测和药物设想，为了更好描述物理系统，此中，申请磅礴号请用电脑拜候。使其可以或许处置 3D 布局消息并正在 3D 布局上施行预测或生成，科学数据的获取是高贵且耗时的。