Using Multiple Vector Channels Improves E(n)-Equivariant Graph Neural Networks

要約

ノードごとに複数の等変ベクトルを使用する E(n) 等変グラフ ニューラル ネットワークの自然な拡張を示します。
私たちは拡張機能を定式化し、実行時間やパラメーター数の違いを最小限に抑えながら、さまざまな物理システムのベンチマーク タスク全体でパフォーマンスを向上させることを示します。
提案されたマルチチャネル EGNN は、N 体の荷電粒子ダイナミクス、分子特性予測、太陽系天体の軌道予測において、標準的なシングルチャネル EGNN よりも優れています。
マルチチャネル EGNN の追加の利点と最小限の追加コストを考慮すると、この拡張機能は物理科学の機械学習に取り組む研究者にとって実用的である可能性があることを示唆しています。

要約(オリジナル)

We present a natural extension to E(n)-equivariant graph neural networks that uses multiple equivariant vectors per node. We formulate the extension and show that it improves performance across different physical systems benchmark tasks, with minimal differences in runtime or number of parameters. The proposed multichannel EGNN outperforms the standard singlechannel EGNN on N-body charged particle dynamics, molecular property predictions, and predicting the trajectories of solar system bodies. Given the additional benefits and minimal additional cost of multi-channel EGNN, we suggest that this extension may be of practical use to researchers working in machine learning for the physical sciences

arxiv情報

提供元, 利用サービス

arxiv.jp, Google