论文链接：http://zhoujingbo.github.io/paper/2022GeomGCLAAAI.pdf

准确预测分子性质有助于评估和选择具有许多下游应用所需特性的合适化学分子。随着近年来图神经网络(GNNs)在各种图相关任务中的显著成功，已经从不同方向进行了许多努力来设计用于分子性质预测的GNN模型。基本思想是将原子和键的拓扑结构视为一个图，并使用强大的GNN编码器将每个分子转换为一个表示向量，然后设置特定属性的预测模块。

本文提出了一种用于分子性质预测的几何增强的图对比学习模型(GeomGCL)，该模型配备了自适应几何消息传递网络(GeomMPNN)以及增强2D-3D几何结构学习过程的对比学习策略。该框架可以在不破坏分子结构的情况下，从不同的几何角度预测分子性质。

 

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