数学不变量赋能的拓扑神经网络(MITNN)用于分子与材料性质预测

摘要

该研究提出数学不变量赋能的拓扑神经网络（MITNNs），用拓扑、谱理论、交换代数、微分几何和离散曲率等多重互补数学视角表示复杂三维结构，并与拓扑神经架构结合。系统性的不变量子集、架构子集与集成分析显示，预测性能取决于数学表示与神经架构的配对方式，部分组合优于单一模型及全部可用组件的聚合。在蛋白质-配体结合、金属有机框架性质、突变诱导的蛋白质溶解度以及分子毒性预测中，MITNN 均优于现有方法。作者据此将其定位为面向科学机器学习的数学多模态框架。