SE3Set: Harnessing equivariant hypergraph neural networks for molecular representation learning

本文中，我们开发了SE3Set，这是一种SE（3）等变的超图神经网络架构，专门用于高级分子表示学习。超图不仅仅是传统图的扩展；它们对于建模高阶关系至关重要，而传统等变基于图的方法由于其在表示复杂多体相互作用方面的固有局限性而缺乏这种能力。为了实现这一点，我们首先通过提出一种新的分割方法来构建超图，该方法考虑了分子系统的化学和三维空间信息。然后，我们设计了SE3Set，它将等变性纳入超图神经网络中。这确保了学习到的分子表示对于空间变换是不变的，从而提供了准确预测分子性质所必需的鲁棒性。SE3Set在小分子数据集（如QM9和MD17）上表现与最先进的模型相当。它在MD22数据集上表现出色，在所有分子中的准确性提高了约20％，这突显了在较大分子中复杂多体相互作用的普遍性。SE3Set在不同分子结构上的卓越表现突显了其在计算化学中的变革潜力，为更准确和物理细致的建模提供了一条途径。

本文旨在开发一种SE3Set算法，用于分子表示学习，解决传统图神经网络在表示高阶关系方面的局限性。

本文提出了一种新的分子分割方法，结合化学和三维空间信息构建超图，并将等变性引入超图神经网络，确保所学习的分子表示对空间变换具有不变性，从而提供了准确预测分子性质所必需的鲁棒性。

本文提出的SE3Set算法在小分子数据集QM9和MD17上表现与最先进的模型相当，而在MD22数据集上表现优异，在所有分子上的准确性提高了约20％，突显了在较大分子中复杂的多体相互作用的普遍性。本文的实验设计详细，使用了多个数据集，同时提供了开源代码。

最近在分子表示学习领域的相关研究包括：《MoleculeNet: A Benchmark for Molecular Machine Learning》、《Neural Message Passing for Quantum Chemistry》、《SchNet: A continuous-filter convolutional neural network for modeling quantum interactions》等。