Kontakt

Graph-Convolutional Neural Network (GNN)

Ein Graph-Convolutional Neural Network (GCNN) behandelt ein Molekül so, wie es strukturell tatsächlich ist: als Graph, in dem Atome die Knoten und chemische Bindungen die Kanten bilden. Statt auf einen festen Satz vorab festgelegter Deskriptoren zu setzen, lernt das Netzwerk direkt aus diesem Graphen, welche strukturellen Muster für die vorherzusagende Eigenschaft relevant sind – Schicht für Schicht werden dabei Informationen benachbarter Atome zusammengeführt.

Dadurch kann ein GCNN auch subtile strukturelle Effekte erfassen, die einfachere, deskriptor-basierte Modelle übersehen könnten, ohne dass diese Effekte vorab bekannt und codiert sein müssen. Der Preis dafür ist der Bedarf an Trainingsdaten: graphbasierte Modelle benötigen in der Regel einen größeren, gut kuratierten Trainingsdatensatz, um verlässliche Muster zu lernen – deshalb werden PAULYs GCNN-Modelle je nach Eigenschaft mit Datensätzen von einigen Hundert bis zu mehreren Zehntausend kuratierten Chemikalien trainiert.

Modelle, die diesen Ansatz nutzen