全球物理科学研究网

摘要：科学领域中的分子、蛋白质、抗体、晶体等物质以及宏观物理世界中不同形状的物体，均具有特定的空间几何结构，构成了一类重要的数据形态——几何图。与社交网络中的拓扑图不同，几何图中的节点占据了一定的空间位置，需要满足某些内蕴的物理性质，比如对称性，导致传统的图神经网络难以处理几何图。近年来，等变图神经网络由于有效嵌入了对称性，具有良好的解释性、泛化性和通用性，在分子系统表示上得到了广泛应用。本报告将梳理等变图神经网络的发展概况，并且介绍课题组近期在分子动力学模拟、分子结构表示学习、小分子生成、抗体设计与优化、多物体交互等重要科学任务上的应用情况。

报告人：

黄文炳，中国人民大学高瓴人工智能学院助理教授、博导。曾在清华大学产业研究院担任助理研究员，腾讯AI Lab担任高级研究员。研究方向包括几何机器学习理论方法、几何机器学习在机器人感知与决策任务上的应用、科学知识嵌入的机器学习等。尤其在图神经网络GNN方面，做出了若干代表性工作：提出了训练深度图神经网络的方法DropEdge，获得了国内外同行一定的关注，被集成到若干公开图学习平台（如PyG）；提出了面向大规模图的图神经网络高效训练方法AS-GCN，成功应用到腾讯亿级社交网络的风控业务。曾获 NeurIPS Open Catalyst 竞赛冠军、国际会议IROS机器人比赛冠军、腾讯犀牛鸟专项研究卓越奖、NeurIPS Outstanding Reviewer等奖项。

联系人：王磊 82649853