كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

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.

العائلة: هندسية ومتكافئة (Geometric)المهام: الديناميكا، الجزيئات، توليد الجزيئات ثلاثية الأبعاد

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.

CONHHr_ijrotate / translatem_ij = φ(h_i, h_j, ‖x_i−x_j‖²)x_i += Σ (x_i−x_j) φ_x(m_ij)h_i ← φ_h(h_i, Σ m_ij)
الشبكات المتكافئة: تعتمد الرسائل على المسافات بين الذرات، فيدور الخرج مع دوران الجزيء.

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)
تحديث الإحداثيات المتكافئ والخصائص الثابتة.

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

  1. 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.