论文标题：A survey of geometric graph neural networks: data structures, models and applications

期刊：Frontiers of Computer Science

作者：Jiaqi HAN, Jiacheng CEN, Liming WU, Zongzhao LI, Xiangzhe KONG, Rui JIAO, Ziyang YU, Tingyang XU, Fandi WU, Zihe WANG, Hongteng XU, Zhewei WEI, Deli ZHAO, Yang LIU, Yu RONG, Wenbing HUANG

发表时间：24 Feb 2025

DOI：10.1007/s11704-025-41426-w

微信链接：点击此处阅读微信文章

引用格式：

Jiaqi HAN, Jiacheng CEN, Liming WU, Zongzhao LI, Xiangzhe KONG, Rui JIAO, Ziyang YU, Tingyang XU, Fandi WU, Zihe WANG, Hongteng XU, Zhewei WEI, Deli ZHAO, Yang LIU, Yu RONG, Wenbing HUANG. A survey of geometric graph neural networks: data structures, models and applications. Front. Comput. Sci., 2025, 19(11): 1911375

阅读原文：

问题概述

近来2024诺贝尔化学奖颁给了David Baker, Demis Hassabis 和John M. Jumper 三位学者，以表彰他们在蛋白质设计领域的卓越贡献。此外，近两年《自然》杂志也刊登了一些科学智能（AI for Science）领域的文章，比如蛋白质生成相关的Chroma和材料设计相关的MatterGen，他们都用了几何图神经网络作为表征工具。几何图神经网络，一直是科学智能研究的重要工具。这是因为，科学领域中的粒子、分子、蛋白质、晶体等物理系统均可被建模成一种特殊的数据结构——几何图。与一般的拓扑图不同，几何图加入了不可或缺的空间信息，需要满足平移、旋转和翻转的物理对称性，对于许多科学问题的建模至关重要。为了更好地理解几何图神经网络，由中国人民大学、阿里巴巴、湖畔实验室、清华大学、腾讯和斯坦福大学合作组成的研究团队发表了该篇综述文章。

这篇综述概述了数据结构、模型设计和应用，构成了完整的输入输出流程，对机器学习从业者在各种科学任务中使用几何图神经网络具有指导作用。

他们将几何图神经网络分为三类：不变模型、等变模型和几何图Transformer。等变模型又分为基于标量化的模型和基于球谐函数的高阶模型。文章按照上述划分，对近年来比较著名的几何图神经网络模型进行了整理和分类。

在科学应用方面，该综述涵盖了物理（粒子）、生物化学（小分子、蛋白质）和晶体等其他应用等多个应用场景。文章总结了针对不同任务的各种几何图神经网络，并介绍了每个任务中常用的数据集。

总体上，作者参考了300多篇参考文献，提出了三种几何图神经网络模型，讨论了针对粒子、分子和蛋白质等科学数据的23 项任务的方法，并调研了50多个评估数据集。

最后，作者讨论了以下几个开放且有意义的研究方向。

1. 在任务、数据和模型空间中开发几何图基座模型是一个很重要的研究领域。

2. 提高模型训练和真实世界实验验证的循环的效率，并且更加自动化。

3. 将大型语言模型集成到几何图神经网络的设计中，利用其丰富的知识。

4. 在某些任务上，对等变性适当放宽，提高模型的灵活性是非常有效的。

中国学术前沿期刊网

http://journal.hep.com.cn