Graphormer - Microsoft Research

Atualmente, o Graphormer oferece suporte robusto para uma variedade de tarefas de simulação de moléculas, incluindo dinâmica molecular e predição de propriedades. O roteiro de desenvolvimento indica futuras expansões para incluir aplicações cruciais como predição de reações, retrosíntese, geração de moléculas e modelagem de moléculas em larga escala, como polímeros e proteínas. Além disso, ele aprimorará as capacidades na predição de interação droga-proteína (DPI) e outras áreas vitais.

A base do Graphormer é detalhada no artigo da NeurIPS 2021, "Do Transformers Really Perform Badly for Graph Representation Learning?". A pesquisa introduziu o Graphormer como o primeiro modelo de deep learning construído em uma arquitetura Transformer padrão que supera demonstrativamente as redes neurais de grafos convencionais em tarefas de predição em nível de grafo. Essa abordagem inovadora levou a conquistas significativas.

O Graphormer alcançou o primeiro lugar na KDD Cup – OGB-LSC quantum chemistry track, uma competição focada no uso de IA para prever as propriedades quânticas de mais de 3,8 milhões de moléculas. Este evento contou com a participação de mais de 500 equipes, incluindo grandes players da indústria. Mais recentemente, o Graphormer garantiu a vitória na Open Catalyst Challenge, uma competição centrada na modelagem de sistemas de reação catalisador-absorvato impulsionada por IA. Este desafio envolveu a simulação de mais de 0,66 milhão de sistemas, destacando o potencial do Graphormer para impulsionar o progresso em IA para descoberta de materiais e campos relacionados.

Versões avançadas e pré-treinadas do Graphormer estão acessíveis através do Azure Quantum Elements, fornecendo um caminho simplificado para os pesquisadores aproveitarem suas capacidades. O projeto também é apoiado por documentação abrangente e um repositório GitHub para engajamento e desenvolvimento da comunidade.