本文介绍德州农工大学CSE系Shuiwang Ji 教授（http://people.tamu.edu/~sji/）团队被ICLR2022接收的两个工作：SphereNet与G-SphereNet。

1. Spherical Message Passing for 3D Molecular Graphs

文章地址：

https://openreview.net/forum?id=givsRXsOt9r

本工作研究3D graphs。在3DGNN以及信息传递（message passing）中, 怎么样完整的表示3D信息，以获得更好的数据表征？球形信息传递（Spherical Message Passing-SMP)方法用距离，角度，二面角作为输入进行信息传递。SMP理论上近似完备，3D信息几乎没有损失。SphereNet把SMP和由薛定谔方程得出来的具有物理意义的特征组合起来，得到SphereNet。SphereNet在三个广泛应用的数据集MD17,QM9,OC20上取得SOTA的结果，同时也很高效。

2. An Autoregressive Flow Model for 3D Molecular Geometry Generation from Scratch

文章地址：

https://openreview.net/forum?id=C03Ajc-NS5W

本文提出了一种能够从头生成分子三维几何结构的生成模型。提出了G-SphereNet方法，如下图所示，这是目前所有已知的方法中第一个利用自回归流模型来进行分子三维几何结构的从头设计与生成的方法。G-SphereNet方法采用了序列生成的方式，即每一步只生成一个原子。G-SphereNet通过生成距离，角度和二面角来间接地确定原子的3D位置。另外，我们用SphereNet作为骨架特征提取网络来有效地提取分子的三维信息。


 

内容中包含的图片若涉及版权问题，请及时与我们联系删除