图神经网络优化器换几何:GraphMuon按传播后特征定步长,三个OGB基准比AdamW快1.32至2.42倍
图神经网络的权重矩阵作用在经图传播的特征上,因此一个在参数空间里归一化良好的更新,仍可能被图结构放大成很大的表示层扰动。GraphMuon把Muon的矩阵正交化改到由图传播输入协方差定义的度量下进行,并按更新对层表示的实际影响缩放步长。在三个大规模OGB基准上,它达到AdamW验证损失目标所需的实际耗时缩短为原来的1/2.32至1/1.32,即1.32至2.42倍加速。
图神经网络的权重矩阵作用在经图传播的特征上,因此一个在参数空间里归一化良好的更新,仍可能被图结构放大成很大的表示层扰动。GraphMuon把Muon的矩阵正交化改到由图传播输入协方差定义的度量下进行,并按更新对层表示的实际影响缩放步长。在三个大规模OGB基准上,它达到AdamW验证损失目标所需的实际耗时缩短为原来的1/2.32至1/1.32,即1.32至2.42倍加速。
高精度引力波源建模长期回避机器学习,因为神经网络自带噪声底。研究者把图神经网络训练成迭代求解器的预条件器,让传统GMRES保留最终精度、只负责加速。在非对称质量双黑洞的高频椭圆方程上,最难参数区所需GMRES迭代次数比基础ILU少2至15次,墙钟时间比次优方法少2至4倍。
KEN把二维卷积核嵌入E(3)等变图神经网络,让原子间势在几何坐标之外直接读取电子自旋相互作用矩阵,以绕开纯坐标势在强关联磁体系中的不适定问题。在HE26锕系数据集上,KENJI的训练集键能平均绝对误差为6.93 meV/atom,MACE-osaka26为44.7 meV/atom,训练集力误差34.10 meV/Å与MACE-osaka26的26.30 meV/Å相当。独立测试集上能量误差为46.74 meV/atom,力误差高于MACE-osaka26,作者将后者部分归因于自身未使用应力训练。
IC-GNN把同一套脑图谱区域在每个人身上重新聚成离散的多尺度功能社区,再用这些社区指导图神经网络的连边筛选和区域权重分配。此前常用的群体级图谱会抹平个体间社区边界差异,而体素级个体化分区又需要较长扫描且难以跨人比较。在ABIDE、ADNI和UK Biobank合计超过3万名参与者上,IC-GNN与15种基线方法比较取得最高的平均AUROC和准确率,其中ABIDE的AUROC为75.41%、ADNI为86.46%、UK Biobank为60.62%。
图神经网络能从原子与键构成的图里学到结构—性质关系,但这些关系留在隐空间里,难以读成科学规则。图符号蒸馏(GSD)先用受约束的消息传递架构搜索确定信息如何逐层传递与聚合,再把每一层学到的变换逐层拟合为稀疏符号表达式,并保留图连接与聚合操作。在卤化物钙钛矿带隙、分子水合自由能和过渡金属表面多齿吸附三个案例中,它从基本节点与边特征出发重建出专家描述符,并给出可检验的局部几何、极性—尺寸与电子—连接性关系。
太阳Hα图像中的暗条在演化中会断裂成多块,投影效应让同一暗条的不同碎块在图上彼此分离,而不同暗条的碎块又可能靠得很近,仅凭距离和朝向难以判断归属。研究把每个碎块当作图节点、把候选配对当作边,用图神经网络做边级预测,并把常规的加性聚合换成乘性聚合,使不一致邻居的贡献被压低。在Kanzelhöhe天文台约100幅Hα图像、约1700个碎块构建的数据集上,kNN取10时该方法取得AUC 0.867、AP 0.792,高于GCN的0.832/0.747和GAT的0.842/0.766。
不同泛函算出的形成能长期无法直接合并,MatPES中同一结构在PBE与r2SCAN下的平均差达107 meV/atom。研究者用38万余条结构配对的PBE–r2SCAN数据训练图神经网络,直接预测两种泛函之间的能量残差,把PBE形成能校正到r2SCAN能标。以GPTFF为骨干的模型在留出测试集上平均绝对误差为14.3 meV/atom,低于CHGNet的18.2 meV/atom。
从单细胞RNA测序数据推断基因调控网络,长期存在两条路线:图方法把整个网络当作一张图训练,容易过拟合;成对方法把网络拆成转录因子—靶基因对,样本多却丢掉全局拓扑。scGPL用双分支结构同时建模全局调控图与每个候选对的局部子图,在七个基准数据集上取得最优表现,AUPRC相对最强基线最高提升13.7%。
板材成形仿真中,Transformer类神经算子能高效传递远距离信息,却容易把深拉圆角、加强肋附近的局部减薄抹平,而这些区域往往决定零件能否成形。BiLoGo把节点—单元二部图上的局部消息传递与双流Transformer神经算子结合,让毛坯状态和模具接触各自压缩成独立令牌,再用门控融合保留局部特征。在带肋热冲压算例上,BiLoGo-U把肋附近减薄的平滑指数从Transformer类算子的0.41–0.56提高到0.94,并相对最准的层次图网络CAtt-BiUGNN把平均位置误差降低8.3%。
野火决策以小时计,而已有的学习型蔓延模型多在日尺度上预测,目标里还包含已经烧过的区域。FireGraphNet把未来约12小时的蔓延改写为有向H3六边形图上的节点分类:候选格是火线前沿外5环内的未燃格,边携带风向对齐、地形高差、燃料连续性和障碍物信息,图神经网络沿边传递消息。在5场加州封存测试火上,五个变体的平均精度是最强距离基线的1.7–1.9倍;在5场州外火上,GINE变体对距离基线保持1.62倍。