MPNN Geometrici Sparsi Raggiungono la Separazione Generica con Grafi Connessi

Uno studio recente pubblicato su arXiv (2407.02025) esamina le capacità delle reti neurali a passaggio di messaggi (MPNN) in relazione ai grafi geometrici, dove le caratteristiche dei nodi rappresentano posizioni nello spazio 3D. Ricerche precedenti indicavano che questi modelli potessero distinguere tra coppie generiche di grafi geometrici non isomorfi, ma tali risultati si basavano sull'assunzione di grafi completamente connessi, dove ogni nodo è a conoscenza di tutti gli altri. In realtà, i nodi tipicamente hanno accesso solo a un insieme limitato di vicini più prossimi. Questo articolo rivela che le reti a passaggio di messaggi con caratteristiche equivarianti per rotazione possono separare grafi geometrici non isomorfi, a condizione che il grafo rimanga connesso. Se si utilizzano solo caratteristiche intermedie invarianti, la separazione è garantita per grafi genericamente globalmente rigidi. Questi risultati sono significativi per campi come la chimica e altre scienze che utilizzano frequentemente dati di grafi geometrici. Il team di ricerca ha annunciato i propri risultati come un annuncio di tipo replace-cross su arXiv.