本研究提出了一种新型非局域交换-相关功能EG-XC,基于等变图神经网络,旨在解决密度泛函理论中非局域功能的近似不足。该方法通过电子密度的等变核中心点云表示,有效捕捉长程相互作用,实验证明其在准确性和数据效率上优于现有模型。
本文综述等变图神经网络的研究进展,涵盖无需高阶表示即可实现三维等变性的EGNN、支持E(3)可变换网络的e3nn框架,以及在结构生物学大分子任务中的性能提升。同时探讨图神经网络向三角网格的扩展,包括利用Dirac算子实现稳定形状表示的Surface Networks和直接分析三维网格的MeshCNN。此外,还涉及等变矩阵乘积态消息传递对多体系统的建模、等变模型在流体力学中的更准确学习,以及通过域分解使MGN能够处理百万节点CFD模拟。
该文综述几何深度学习进展,涵盖等变图神经网络、流形训练框架、点云与网格学习、图同构测试及分子表示,强调物理对称性、表达能力与三维几何建模,并在分类、分割、性质预测等任务取得先进性能。
该文综述了基于神经常微分方程与黎曼流形的生成模型研究,涵盖神经流动流形、等变消息传递、等变图神经网络及GAINS分析框架,旨在提升密度估计、鲁棒性与流体建模等任务性能。
本文评估了等变图神经网络在真实世界的粒子物理重建任务中的表现,并发现了一些与等变网络相关的理论优点在实际系统中不成立的情况。文章指出了未来研究的方向,以促进机器学习的科学理论和物理应用的发展。
本文介绍了将诱导偏差引入机器学习模型的研究领域,特别是在处理物理世界数据时。通过使用真实世界的粒子物理重建任务作为评估测试平台,全面评价了等变图神经网络的提议的好处。本文证明了许多通常与等变网络相关联的理论优点在实际系统中可能不成立,并介绍了未来研究的有吸引力的方向,这将有利于机器学习的科学理论和物理应用。
完成下面两步后,将自动完成登录并继续当前操作。