Molecular Hypergraph Neural Networks

图神经网络（GNNs）在各种与化学相关的任务中表现出有希望的性能。然而，传统的图只能模拟分子中的成对连接，未能充分表示多中心键和共轭结构等高阶连接。为了解决这个挑战，我们引入了分子超图，并提出了分子超图神经网络（MHNN）来预测有机半导体的光电性能，其中超边表示共轭结构。我们设计了一种通用算法，用于处理不规则的高阶连接，可以高效地处理具有不同阶超边的分子超图。结果表明，MHNN在OPV、OCELOTv1和PCQM4Mv2数据集的大多数任务中表现优于所有基线模型。值得注意的是，MHNN在没有任何3D几何信息的情况下取得了这一成绩，超过了利用原子位置的基线模型。此外，在有限的训练数据下，MHNN比预训练的GNNs表现更好，突显了其出色的数据效率。这项工作为更一般的分子表示和涉及高阶连接的属性预测任务提供了一种新的策略。

本文试图解决分子中高阶连接建模的问题，提出了分子超图和分子超图神经网络（MHNN）来预测有机半导体的光电性能。

本文提出了一种基于分子超图的方法，其中超边表示共轭结构，可以有效地处理分子中的高阶连接，且不需要3D几何信息。

实验结果表明，MHNN在OPV、OCELOTv1和PCQM4Mv2数据集上的表现优于所有基准模型，且在有限的训练数据下比预训练GNN具有更好的性能。作者提供了开源代码。

最近的相关研究包括：Graph Convolutional Networks (GCNs)、Hypergraph Neural Networks (HGNNs)、以及使用分子结构信息的其他预测模型。