基于神经网络的分子性质预测算法研究进展

分子性质预测是材料化学领域的热点问题,基于第一性原理的计算方法虽然可以明确地描述体系中电子分布,但计算过程过于复杂,且计算复杂度随分子中原子增加呈指数级增长。近年来,随着相关研究的不断深入,涌现出多种多样的深度学习算法,将算法分为基于多层感知机(multi-layer perceptron, MLP)和图神经网络(graph neural network, GNN)两大类及六个子类,研究不同算法的特点。分析表明,MLP类算法结构简单,算法扩展性有限,与分子内部结构关联度不高;相反,GNN类算法融合消息传递机制,将分子间相互作用转换为结点、边之间的特征传递,在各向评价指标中占优。目前,基于深度学习的分子性质预测算法正从MLP类算法向GNN类算法过度。最后,提出基于深度学习的分子性质预测算法未来在数据集、各向异性特征传递、指导材料科学与生命科学中的实际应用等方面的发展方向。