EGNN – الشبكة البيانية المتكافئة مع E(n)
E(n) Equivariant Graph Neural Network (2021)
حدّث الخصائص بدوال ثابتة (تعتمد على مربع المسافة)، وحدّث الإحداثيات بتحريك كل نقطة على اتجاهات الفروق إلى جيرانها؛ فيكون النموذج متكافئاً مع الدوران والإزاحة والانعكاس تلقائياً.
الحدس
حدّث الخصائص بدوال ثابتة (تعتمد على مربع المسافة)، وحدّث الإحداثيات بتحريك كل نقطة على اتجاهات الفروق إلى جيرانها؛ فيكون النموذج متكافئاً مع الدوران والإزاحة والانعكاس تلقائياً.
الشرح التفصيلي
الرسالة m_ij = φ_e(h_i, h_j, ‖x_i − x_j‖², a_ij) ثابتة. الإحداثيات x_i + C Σ (x_i − x_j) φ_x(m_ij): مجموع متجهات فروق مضروبة في أعداد ثابتة، فإذا دار الإدخال دارت المخرجات. الخصائص h_i′ = φ_h(h_i, Σ m_ij). لا توافقيات كروية ولا تمثيلات عالية الرتبة، فالنموذج بسيط وسريع، ويعمل في أي بعد n.
حقق نتائج جيدة في محاكاة الجسيمات المشحونة وQM9، وأصبح عموداً فقرياً لنماذج الانتشار المتكافئة لتوليد الجزيئات.
البنية المعمارية
L طبقات EGCL (رسائل ← تحديث إحداثيات ← تحديث خصائص) ← رأس.
المعادلات
x_i^{l+1}=x_i^{l}+C\sum_{j\neq i}(x_i^{l}-x_j^{l})\,\phi_x(m_{ij}),\qquad h_i^{l+1}=\phi_h\Big(h_i^{l},\sum_{j\neq i}m_{ij}\Big)نقاط القوة
- متكافئ بتصميم بسيط
- سريع
- يخرج إحداثيات (مفيد للتوليد والمحاكاة)
القيود
- تمثيل متجهي من الرتبة الأولى فقط
- أقل دقة من النماذج عالية الرتبة في بعض المهام
- الاتصال الكامل مكلف بلا قطع
التعقيد الحسابي
O(|E|·F²) لكل طبقة.
متى تستخدمه
مهام تحتاج مخرجات متجهة متكافئة أو توليد هندسي.
التنفيذ في PyTorch Geometric
لا يوجد صنف في PyG الأساسية؛ تنفيذ مختصر بـ MessagePassing أو مستودع المؤلفين.شيفرة توضيحية للاستخدام المعتاد؛ راجع توثيق إصدار المكتبة الذي تستخدمه قبل تشغيلها.
تابع التعلّم
نماذج مرتبطة
دروس تشرحه
المراجع
- Satorras, V. G., Hoogeboom, E., & Welling, M. (2021). E(n) Equivariant Graph Neural Networks. International Conference on Machine Learning (ICML). arXiv: 2102.09844EGNN: تكافؤ مع الدوران والإزاحة والانعكاس دون توافقيات كروية.
