研究人员开发了两种新的架构，Iso-QGNN和Iso-CGNN，用于低数据量子化学环境中的分子性质预测。这些模型利用了拓扑对齐的归纳偏置，映射分子键图以提高参数效率。在QM9数据集上对HOMO-LUMO和偶极矩分类进行基准测试时，Iso-CGNN在gap任务上达到了0.91的AUC，而Iso-QGNN达到了0.88，两者都只有64个可训练参数。研究结果表明，这种偏置对于参数效率至关重要，并为量子机器学习中的匹配基线基准测试提供了基础。 AI
影响 引入了参数高效的量子化学架构，有望加速药物发现和材料科学研究。
排序理由 该集群包含一篇arXiv预印本，详细介绍了关于分子性质预测的机器学习架构的新研究。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.13737v1 Announce Type: new Abstract: For low-data and resource-constrained regimes typical of quantum chemistry, parameter-efficient learning is a key objective. Here, we propose a topology-aligned inductive bias in which the model architecture mirrors the molecular bo…
For low-data and resource-constrained regimes typical of quantum chemistry, parameter-efficient learning is a key objective. Here, we propose a topology-aligned inductive bias in which the model architecture mirrors the molecular bond graph: atoms map to a fixed register of compu…