《几何图神经网络在三维原子系统中的应用》，74页ppt，剑桥Chaitanya K. Joshi

近期在原子系统的计算建模方面取得了重大进展，涵盖了分子、蛋白质和材料，将它们表示为几何图，其中原子作为节点嵌入在三维欧几里得空间中。在这些图中，几何属性根据三维原子系统的固有物理对称性进行变换，包括欧几里得空间中的旋转和平移，以及节点排列。近年来，几何图神经网络已成为支持从蛋白质结构预测到分子模拟和材料生成等应用的首选机器学习架构。它们的特点在于所利用的归纳偏差——例如物理对称性和化学属性——来学习这些几何图的信息表征。在这篇具有见解的论文中，我们提供了一个关于三维原子系统几何GNN领域的全面和自包含的概述。我们覆盖了基础背景材料，并介绍了几何GNN架构的教学分类：（1）不变网络，（2）笛卡尔基础上的等变网络，（3）球形基础上的等变网络，以及（4）不受限制的网络。此外，我们概述了关键数据集和应用领域，并提出了未来的研究方向。这项工作的目标是对该领域提供一个结构化的视角，使新手易于接触，并帮助从业者对其数学抽象概念形成直觉。

https://www.chaitjo.com/publication/duval-2023-hitchhikers/