Mixed-Integer Optimisation of Graph Neural Networks for Computer-Aided Molecular Design

ReLU神经网络已被建模为混合整数线性规划（MILP）中的约束条件，从而实现了基于代理的优化在各个领域的高效解决和机器学习认证问题的高效解决。然而，以前的工作大多限于多层感知器（MLP）。图神经网络（GNN）可以有效地从非欧几里德数据结构中学习，例如分子结构，因此与计算机辅助分子设计（CAMD）高度相关。我们提出了一个ReLU图卷积神经网络的双线性公式和一个ReLU GraphSAGE模型的MILP公式。这些公式使得解决带有训练后的GNN的优化问题变得更加高效。我们将我们的优化方法应用于一个说明性的CAMD案例研究，其中使用训练后的GNN的公式来设计具有最佳沸点的分子。

该论文旨在提出一种用于优化问题的图神经网络（GNN）的混合整数线性规划（MILP）约束，以及应用该方法于计算机辅助分子设计（CAMD）中的优化问题。

该论文提出了一种用于 ReLU 图卷积神经网络和 ReLU GraphSAGE 模型的双线性公式和 MILP 公式，使得训练好的 GNN 可以嵌入到全局最优化问题中。

论文的实验应用了该方法于 CAMD 领域，设计出具有最佳沸点的分子。论文的方法相比现有研究具有创新性。

最近的相关研究包括“Mixed-Integer Convolutional Neural Networks”和“Efficient Mixed-Integer Linear Programming for Large-Scale Non-Convex Quadratic Programs with Applications in Data Science”。