Multi-Type Point Cloud Autoencoder: A Complete Equivariant Embedding for Molecule Conformation and Pose

点云是一种灵活的数据表示形式，适用于各种数据类型，特别适合于分子的三维构象。现有的分子嵌入/表示方案通常侧重于内部自由度，忽略了全局的三维方向。对于那些依赖于分子构象和三维方向知识的任务，例如生成分子二聚体、聚集体或凝聚相，我们需要一种表示形式，该表示形式在原子核的类型和位置上是完整的，并且在输入点云的旋转反演方面具有等变性。我们开发、训练和评估了一种新型自编码器，即分子O(3)编码网络(Mo3ENet)，用于多类型点云，我们提出了一种新的重构损失，利用输入和输出点云的高斯混合表示。Mo3ENet是端到端等变的，这意味着学习到的表示可以在O(3)上进行操作，这对于下游学习任务是一个实用的奖励。经过适当训练的Mo3ENet潜空间包含标量和向量分子属性预测任务的通用嵌入，以及其他包含三维分子姿态的下游任务。

本文旨在解决分子结构的三维姿态表示问题，即需要一种全面的、对输入点云具有等变性的表示方法，以便进行分子聚合、簇或凝聚相等任务。

文章提出了一种新的自编码器——Mo3ENet，它可以对多类型点云进行编码，利用高斯混合表示法进行重构损失计算。Mo3ENet是端到端等变的，可以在O（3）上进行操作，具有更广泛的应用前景。

本文的亮点包括：提出了一种新的自编码器模型Mo3ENet，具有端到端等变性；用高斯混合表示法进行重构损失计算；Mo3ENet的潜在空间可以作为分子属性预测等下游任务的通用嵌入；实验使用了多个数据集，并开源了代码。

在这个领域中，最近的相关研究包括：《PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》、《Learning Hierarchical Features from Deep Networks for 3D Shape Retrieval》等。