GemNet: Redes Neurais Gráficas Direcionais Universais para Moléculas

Prever interações moleculares de forma eficaz tem o potencial de acelerar a dinâmica molecular por múltiplas ordens de magnitude e, assim, revolucionar simulações químicas. Redes neurais gráficas (GNNs) demonstraram recentemente grandes sucessos para essa tarefa, superando métodos clássicos baseados em núcleos moleculares fixos. No entanto, ainda parecem muito limitadas de uma perspectiva teórica, já que GNNs regulares não podem distinguir certos tipos de gráficos. Neste trabalho, fechamos essa lacuna entre teoria e prática. Mostramos que GNNs com representações esféricas são de fato aproximadores universais para previsões que são invariantes à translação e equivariante à permutação e rotação. Em seguida, discretizamos essas GNNs por meio de embeddings de arestas direcionadas e passagem de mensagens em duas etapas, e incorporamos várias melhorias estruturais para chegar à rede neural de passagem de mensagens geométricas (GemNet). Demonstramos os benefícios das mudanças propostas em múltiplos estudos de ablação. GemNet supera modelos anteriores nos conjuntos de dados COLL, MD17 e OC20 em 34%, 41% e 20%, respectivamente, e apresenta desempenho especialmente bom nas moléculas mais desafiadoras. Nossa implementação está disponível online.