Equivariant Graph Neural Networks
PulseAugur coverage of Equivariant Graph Neural Networks — every cluster mentioning Equivariant Graph Neural Networks across labs, papers, and developer communities, ranked by signal.
-
新型玻尔兹曼生成器解决统计物理中的无定形材料问题
研究人员开发了一种新型玻尔兹曼生成器，专门用于处理无定形材料。由于其无序结构，从无定形材料中采样平衡态一直是一个难题。该新颖框架将等变性直接集成到黎曼随机插值中，并利用等变图神经网络来处理周期性边界条件和粒子对称性。虽然该方法通过强制执行物理对称性提高了准确性，但也凸显了连续流生成模型在统计力学中的一个根本限制：累积的数值误差会损害精确的热力学重加权，这表明需要替代方法。
-
GEqTrain 框架增强了 GNN 在 3D 科学任务中的可重用性
研究人员开发了 GEqTrain，这是一个旨在增强等变图神经网络 (GNN) 在 3D 科学任务中可重用性的新框架。这个驱动式系统将数据集语义、模型组成和训练目标分开，允许通过更改配置来简单地将单个等变骨干网络和训练基础设施适应新问题。该框架已在生物分子系统回溯、NMR 化学位移预测和等变生成建模方面得到验证，在减少软件开销的同时，在各种任务中都显示出具有竞争力的准确性。此外，GEqDiff，一个生成式扩展，能够联合重建笛卡尔坐标和非标量节点场。
-
Sobek 算法提升了等变图神经网络的效率
研究人员开发了一种新的等变图神经网络算法，称为 Sobek，它通过消除物化特定于边的权重和消息的需要，显著提高了效率。这种流式方法将内存使用量减少了高达 99%，并将各种微分阶数和算子族的运行速度提高了高达 49.7 倍。Sobek 使得以前因内存限制而无法执行的工作负载得以运行，其性能优于 OpenEquivariance 等现有实现。
-
Equivariant Graph Neural Networks Enhance Optical Spectra Prediction for Materials
研究人员开发了等变图神经网络（EGNNs），显著提高了材料筛选的光谱预测精度。通过改编 GotenNet 架构，这些 EGNNs 提供了比以往模型更强的几何表达能力，而以往模型受限于旋转不变的标量特征。新方法在预测 0-8 eV 范围内的光谱和静态介电常数方面表现出卓越的性能，这对于太阳能电池等光电器件应用至关重要。