Communications Materials: 詳解圖神經網絡在化學和材料科學中大展宏“圖”

一、【導讀】

機器學習在化學和材料科學的許多領域發揮著越來越重要的作用，用于預測材料特性、加速模擬、設計新結構和預測新材料的合成路線。圖神經網絡 (GNN) 是增長最快的機器學習模型類別之一。圖神經網絡與化學和材料科學十分契合，因為它們可以直接處理分子和材料的圖形或結構表示，并且通過神經網絡的信息傳遞過程，最大限度地獲得分子和材料的“構效關系”。近日，一篇綜述概述了GNN的基本原理、廣泛使用的數據集和最先進的架構，然后討論了GNN在化學和材料科學中的廣泛最新應用，并給出了 GNN 進一步開發和應用的路線圖。

二、【成果掠影】

2022年11月，德國卡爾斯魯厄理工學院Pascal Friederich團隊綜述了圖神經網絡（GNN）在化學和材料研究中成果和進展，為把握最新的AI4Sci的技術手段提供了一份詳盡的內容寶典。

相關研究工作以“Graph neural networks for materials science and chemistry”為題發表在Communications Materials上。

三、【核心創新點】

討論了當前廣泛使用的GNN形式；展示了最新的GNN架構、廣泛使用的數據集以及GNN用于逆向設計的初步成果。

四、【數據概覽】

圖1 GNNs的工作原理概覽。a GNN處理分子和晶體材料時，信息傳遞的示意圖。b 2017年以來，各種GNNs在QM9數據集上的表現結果，以預測值的平均絕對誤差展示，紅色圓圈：總能；橘色三角形：HOMO；藍色倒三角形：LUMO。 ? 2023 The Authors

圖2 GNN在分子和材料體系中性質預測的應用。a GNN可以預測ADMET性質、可以囊括原子的環境信息、預測分子對蜜蜂的毒性b基于強化學習的GNN用于分子的逆向設計c GNN用于無模版逆合成d GNN用于可遷移激發態動力學過程預測，粗粒化模型e可解釋GNN模型f晶體GNN預測甲烷在MOF上的吸附體積g GNN預測HF氣體在Al₂O₃表面的反應以及多晶材料的磁致伸縮效應h GNN用于液相或玻璃態的分類。? 2023 The Authors

表1 常用的“分子圖表示”中的節點、邊上的特征選取? 2023 The Authors

表2 分子和材料研究中“圖機器學習”常用的基準數據庫? 2023 The Authors

表3 “圖神經網絡”架構（按類別劃分）? 2023 The Authors

表4 材料領域中的數據庫（按應用類別給出）? 2023 The Authors

五、【成果啟示】

在AIGC（機器學習生成內容）成為流行的當下，AI for Science也成為了必然趨勢之一。邁向基于 GNN 的生成模型的第一步已經存在，但是在可靠性和可遷移性方面存在許多開放性挑戰。為了使生成模型更具應用相關性，未來需要對GNN框架設計進行規范，加入更多的控制條件，生成具有期待性質的分子或者材料。最后，設計更多具備可解釋性的GNN 模型，將有助于更好地了解大型復雜數據集中的潛在相關性和最終因果關系，最終有助于科學認識與進步。

原文詳情： https://www.nature.com/articles/s43246-022-00315-6

本文由Pearl供稿