Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs

几何图神经网络(GNN)已经成为建模分子几何结构的有力工具。然而，在处理大分子系统时，它们遇到了有效捕捉长程相互作用的局限性。为了解决这个挑战，我们引入了神经P$^3$M，这是一种通用的几何GNN增强器，通过将网格点与原子结合，并以可训练的方式重新构想传统的数学运算，扩展了它们的能力范围。神经P$^3$M在各种分子系统中表现出灵活性，并展示了在预测能量和力方面的显着准确性，在MD22数据集等基准测试中表现优异。它还在与各种架构集成时，OE62数据集上平均提高了22%的性能。

论文旨在解决几何图神经网络在大分子系统中无法有效捕捉长程相互作用的问题。

论文提出了Neural P^3M，将网格点与原子相结合，并以可训练的方式重新构想传统数学运算，从而扩展了几何图神经网络的能力范围。

Neural P^3M在多种分子系统中表现出灵活性，并在预测能量和力方面展现出卓越的准确性，优于MD22数据集。它还在OE62数据集上实现了平均22%的改进，并与各种体系结构集成。

最近的相关研究包括：《Geom-GCN：几何图卷积网络分子建模的通用框架》、《基于图卷积神经网络的分子属性预测方法综述》等。