1. 背景介绍
人工智能近年来发展迅速，GNN（图神经网络）作为分析图结构的有效工具，在科学领域展现出巨大潜力。图结构广泛存在于科学领域，如分子结构、蛋白质-药物结合、多体运动等。GNN的发展经历了从理解GNN作为RNN（循环神经网络）到理解GNN作为卷积的过程，目前最广泛使用的GNN模型是消息传播模型。
2. 相关研究
GNN在科学数据特点的基础上，面临违反物理对称性和不满足几何约束的问题。归纳偏置1：对称性，强调物理学中的对称性概念，理想情况下GNN应具备等变性。归纳偏置2：几何约束，指出多刚体系统中的广义坐标能自然满足约束，且相互独立。
3. 最新进展
GNN在科学领域的应用包括物理动力学模拟、生物医药、材料发现等。例如，GNN可用于基于物理知识的分析方法，如双摆系统、蛋白质分子动力学模拟等。GNN + 物理：基于GNN的多体动力学模拟，通过动态图建模，利用GNN刻画多体相互作用。GNN + 生物医药：分子表示学习，如GROVER模型在无监督分子上进行预训练，显著提升药物分子性质预测性能。GNN + 生物医药：相互作用和分子生成，如Geometric Deep Learning预测生物活性分子的结合构象，JT-VAE进行分子图生成。
4. 总结
GNN for Science强调只关注2D拓扑全维度数据，纯数据驱动，融入科学知识，应用于关系挖掘。清华智能产业研究院在ML或DM领域跨学科融合方面取得显著成果，团队成员包括张亚勤院长、马维英首席科学家等知名专家。研究目标与愿景是推动GNN在科学领域的应用，实现跨学科融合与创新。
