图形延长卷积网络:在图形上显式的多尺度机器学习,用于细胞骨的建模

科学领域:

• 计算化学是一种计算化学.
• 机器学习 机器学习
• 图形神经网络是一个神经网络.

背景情况:

• 图形卷积网络 (GCN) 是分析图形结构数据的强大工具.
• 在GCN中集合方法可以提高预测准确性,但通常会增加计算成本.
• 在分子模拟中预测潜在能量对于理解材料特性和化学反应至关重要.

研究的目的:

• 引入一个新的集体图形卷积网络 (GCN) 模型,即图形延长卷积网络 (GPN).
• 在粗粒模拟中提高单体子单元潜在能量的预测精度.
• 通过多尺度学习和优化的培训计划来证明计算效率的提高.

主要方法:

• 开发了一种新的集体GCN模型,利用优化的线性投影运算符进行跨尺度信息聚合.
• 计算的线性投影运算符作为一个客观函数的 infima 关于 GCN 结构矩阵.
• 实施了从代数多网格方法中调整的多规模培训计划.
• 针对网络输入与输出的反向传播规则.

主要成果:

• 拟议的图形延长卷积网络 (GPN) 模型与其他 GCN 组合模型相比,表现出优越的性能.
• 显著的业绩增长被量化为减少浮点运算 (FLOP) 和墙壁时钟时间.
• 研究和量化了各种多尺度培训计划的计算效益.
• 将GPN模型与基线进行了比较,并优化了图形粗化.

结论:

• GPN模型提供了一种计算效率高,准确的方法,用于在粗粒度模拟中预测潜在能量.
• 多尺度学习和优化的培训计划有助于大幅节省计算成本.
• 开发的反向传播规则为将该方法扩展到更大的图形结构铺平了道路.