对称性与几何深度学习｜Python案例

几何图神经网络

近年来，深度学习已在各领域取得了显著的突破，如计算机视觉、自然语言处理和语音识别等。然而，传统的深度学习方法往往侧重于处理规则的、网格状结构数据，例如图像和文本。这些方法在处理不规则、非网格状的数据结构，如图（Graph）时，往往表现不尽如人意。而现实世界中，许多重要信息都是以图的形式存在，如社交网络、生物信息、交通系统等，因此，如何有效处理这类数据成为了迫切需要解决的问题。

几何深度学习（Geometric Deep Learning）应运而生，它具有天然的适应性和强大的表达能力，能更好地挖掘和利用数据中的几何结构。从而能够解决许多传统神经网络难以解决的问题，如图神经网络、非欧几里得数据等。与传统深度学习方法相比，几何神经网络旨在利用几何学中的对称性、流形、群变换等概念挖掘数据中的几何结构，捕获数据的拓扑关系和局部特征，从而在处理复杂、非网格状数据时具有更高的性能和更强的泛化能力，在生物分子、材料科学、物理系统等领域，几何深度学习都有着广泛的应用。

图｜使用 GNN 预测分子材料的性质

作为几何深度学习的核心技术，图神经网络（Graph Neural Networks, GNNs）正吸引着越来越多的研究者和开发者。今天，我们为您精选了一个涉及几何图神经网络的教学 No