描述
DimeNet 和 DimeNet++ 代表了分子图神经网络领域的重大进展。最初的 DimeNet 模型在论文“Directional Message Passing for Molecular Graphs”（ICLR 2020）中提出，它利用定向信息来改进原子之间的消息传递，从而更准确地表示分子结构和性质。这种方法增强了模型捕捉分子内部复杂相互作用的能力。
阅读更多
DimeNet++ 是在论文“Fast and Uncertainty-Aware Directional Message Passing for Non-Equilibrium Molecules”（NeurIPS-W 2020）中提出的后续模型，它在 DimeNet 的基础上进行了改进，在速度和准确性方面都有显著提升。据报道，它的速度比原始 DimeNet 快 8 倍，准确性提高 10%，使其成为大规模分子模拟和药物发现应用的更实用选择。此 GitHub 存储库中提供的实现是两个模型的参考。
该存储库包含运行和实验这些模型的基本组件。它提供了用于训练（`train.ipynb`）和预测（`predict.ipynb`）的笔记本，使用户能够轻松地将模型应用于他们的数据集。对于需要基于集群进行训练的用户，还提供了一个与 Sacred 和 SEML 集成的脚本（`train_seml.py`）。此外，在 `pretrained` 文件夹中提供了 DimeNet++ 和 TensorFlow 2.0 原型的预训练模型，方便了更快的实验和部署。
存储库中提供了关键的架构细节和实现说明，包括输出层的特定初始化策略以及对潜在问题或错误的讨论。该项目使用 Python 和 TensorFlow 作为主要的深度学习框架实现，并得到了 NumPy、SciPy、SymPy 和 TensorFlow Addons 等库的支持。该项目还突出了 JAX & Haiku 和 PyTorch Geometric 中的其他实现，表明围绕这些模型存在一个活跃的研究社区。这些模型对于计算化学、材料科学和化学信息学领域的研究人员和开发人员特别有用，他们希望利用深度学习进行分子性质预测和分析。
- 类别AI 模型与大语言模型
- 定价模式开源
- 部署云端, 自托管
- 平台网页版
DimeNet 和 DimeNet++的核心功能
分子图的定向消息传递
DimeNet 模型架构
DimeNet++ 模型架构
参考实现
包含训练笔记本
包含预测笔记本
提供集群训练脚本
提供预训练模型
提供 TensorFlow 2.0 原型
专注于能量和力预测（通过 GemNet 推荐）
不确定性感知预测（DimeNet++）
DimeNet 和 DimeNet++入门
访问模型：克隆 GitHub 存储库。
设置环境：安装所需的 Python 包（TensorFlow、NumPy、SciPy、SymPy、TensorFlow Addons）。
通过 API 集成：利用提供的笔记本或脚本进行训练和预测。
实验模型：加载预训练模型以加快迭代速度。
适配集群训练：使用 `train_seml.py` 脚本进行分布式训练。
生成预测：使用 `predict.ipynb` 笔记本和训练好的模型。
DimeNet 和 DimeNet++的使用案例
- 分子性质预测
- 药物发现
- 材料科学
- 化学信息学研究
- 计算化学
