昇腾AI4S图机器学习：DGL消息传递接口的PyG替换

背景介绍

DGL (Deep Graph Learning) 和 PyG (Pytorch Geometric) 是两个主流的图神经网络库，它们在API设计和底层实现上有一定差异，在不同场景下，研究人员会使用不同的依赖库，昇腾NPU对PyG图机器学习库的支持亲和度更高，因此有些时候需要做DGL接口的PyG替换。

 

SE3Transformer在RFdiffusion蛋白质设计模型中（GitHub - RosettaCommons/RFdiffusion: Code for running RFdiffusion）作为核心组件，负责处理蛋白质结构的几何信息。其架构基于图神经网络，通过SE(3)等变性实现对三维旋转和平移的不变性特征提取。本系列以RFDiffusion模型中的SE3Transformer为例，讲解如何将DGL中的接口替换为PyG实现。

 

在本文中，主要展示消息传递接口的PyG替换。

消息传递接口

一、边-节点消息传递 (EdgeSoftmax + Aggregation)

位置:

rfdiffusion/modules/equivariant_attention/modules.py 中的 TransformerLayer

输入:

• 节点特征: x , 形状为(N, F)

• 边特征: edge_attr , 形状为(E, F')

• 图结构: graph

输出:

• 更新的节点特征: 形状为(N, F_out)

DGL函数:

• dgl.nn.EdgeSoftmax:对边特征进行归一化

• dgl.function.copy_edge:复制边特征

• dgl.function.sum:聚合消息

数学逻辑:

1. 计算注意力分数:

2. 消息聚合:

PyG实现:

def edge_softmax_aggregation(x, edge_index, edge_attr): 
	# 计算源节点和目标节点索引
	src, dst = edge_index

	# 计算边softmax
	exp_edge_attr = torch.exp(edge_attr)

	# 按目标节点归一化
	node_degree = scatter_add(exp_edge_attr, dst, dim=0, dim_size=x.size(0)) norm = node_degree[dst].clamp(min=1e-6)
	norm_edge_attr = exp_edge_attr / norm

	# 消息传递
	message = norm_edge_attr * x[src]

	# 聚合
	out = scatter_add(message, dst, dim=0, dim_size=x.size(0))

	return out

二、矢量特征消息传递

位置:

rfdiffusion/modules/equivariant_attention/modules.py 中的 AttentionBlockSE3

输入:

• 标量特征: feat_scalar , 形状为(N, F_s)

• 矢量特征: feat_vector , 形状为(N, F_v, 3)

• 图结构: graph

输出:

• 更新的标量和矢量特征

DGL函数:

• dgl.nn.EdgeSoftmax:边特征softmax

• g.send_and_recv:消息传递与聚合

数学逻辑:

PyG实现关键点:

• 需要自定义消息传递函数

• 实现等变性旋转操作

• 处理批处理边索引