按年被提到
20172020 · 1 次2026
机器学习与深度学习›科学机器学习·arXiv:1704.01212 · cs.LG

Neural Message Passing for Quantum Chemistry

面向量子化学的神经消息传递
Justin Gilmer, Samuel S. Schoenholz, Patrick F. Riley, Oriol Vinyals, George E. Dahl · 2017

把图神经网络统一为 MPNN 框架,用于分子性质预测

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 3 人首次 2020-08-21 · 最近 2026-07-07
3不同的人
3活跃月份
3讨论串
5,054被引(OpenAlex)

论文把已有的、对分子对称性不变的神经网络模型重新表述为统一框架:消息传递神经网络(MPNN),并在该框架内探索了新的变体。在一个重要的分子性质预测基准上,MPNN 取得了最先进的结果;作者认为这些结果已足够强,未来工作应转向更大分子或更准确真值标签的数据集。

HN 为什么提它

HN 评论者把它作为图上消息传递(图卷积前向计算)的出处,并用来说明 GNN 在分子性质预测任务上处于最先进水平,也有人把它列入阅读清单。

方法难度 3 / 5约 45 分钟经得起时间
读之前最好知道
1神经网络基础
2图与图神经网络(GNN)
3分子表示与量子化学基础
4监督学习与基准评测

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用amitoz_azad · 2020-08

“Message passagin equation (the way of forward convolution) on graphs”

引它说明图上消息传递方程即前向卷积的方式
Show HN: Solving PDEs on graphs with message passing of torch_geometric原评论 ↗
引用eachro · 2021-01

“GNNs are the state of the art on those tasks”

指出 GNN 在这类分子性质预测任务上是最先进的
Why I'm Lukewarm on Graph Neural Networks原评论 ↗
引用cute_boi · 2026-07

“Neural Message Passing for Quantum Chemistry - Neural Message Passing for Quantum Chemistry”

把它列入一份 30 篇论文的阅读清单
30papers.com – Ilya's 30 essential ML papers, in a beginner friendly format原评论 ↗