步入2021，大熱的GNN會在哪些應用領域大展拳腳呢？

作者：Sergei Ivanov 2021-01-24 13:04:56

由于 GNN 在圖節點之間強大的建模功能，使得與圖分析相關的研究領域取得了突破。本文我們將介紹關于 GNN 熱門應用研究。

近年來，由于圖結構的強大表現力，用機器學習方法分析圖的研究越來越受到重視。圖神經網絡（GNN）是一類基于深度學習的處理圖域信息的方法。由于其較好的性能和可解釋性，現已被廣泛應用到各個領域。

在本文中，機器學習研究科學家 Sergei Ivanov 盤點一下 2021 年需要了解的 GNN 應用熱點，涵蓋了推薦系統、組合優化、計算機視覺、物理 / 化學以及藥物發現等領域。

組合優化

組合優化（combinatorial optimization, CO）問題的求解是金融、物流、能源、生命科學和硬件設計中的關鍵。這些問題大多是用圖表示的。因此，上個世紀的大量研究都集中在更有效地解決 CO 問題的算法上；然而，機器學習驅動的現代計算革命為解決此類問題的方法提供了一種引人矚目的新方式。

谷歌大腦團隊使用 GNN 優化了新硬件（如 Google 的 TPU）芯片塊的功耗、面積和性能。計算機芯片可以理解為由內存和邏輯部件組成的圖，每個圖均由其部件的坐標和類型表示。確定每個組件的位置，同時遵守密度和布線擁塞的限制，這是一個費力的過程，但仍然是電氣工程師的工作重點。谷歌大腦團隊利用 GNN 模型與策略和收益強化學習（RL）功能相結合，生成優化的電路芯片布局，甚至優于手工設計的硬件布局。

與國際象棋和圍棋相比，芯片布局的復雜性。

另一種方法采用不同的途徑，將 ML 模型集成到現有求解器中。例如，Gasse 等人在論文《Exact Combinatorial Optimization with Graph Convolutional Neural Networks》中提出了一種用于學習分支定界變量選擇策略的圖網：混合整數線性規劃（MILP）求解器中的關鍵步驟。通過這種方式，學習到的表示試圖最小化求解器的運行時間，并顯示出在推理時間和決策質量之間的良好平衡。

在 DeepMind 和谷歌的最新研究《Solving Mixed Integer Programs Using Neural Networks》中，圖網被用于 MILP 求解器中的兩個關鍵子任務：聯合變量分配和限制目標值。他們提出的神經網絡方法是包括 Google 生產包裝和計劃系統在內的龐大數據集上現有求解器速度的 2 至 10 倍。有關此主題的更多內容，請參考《Reinforcement Learning for Combinatorial Optimization: A Survey》等綜述論文。

計算機視覺

由于世界上的一切對象是密切聯系的，包含這些對象的圖像也可以從 GNN 中受益。感知圖像的其中一種方法是通過場景圖（論文《Scene Graph Generation by Iterative Message Passing》），即出現在圖像中的對象以及它們之間關系的集合。場景圖已在圖像檢索、理解和推理、字幕生成、視覺問答以及圖像生成中得到了應用，該方法可以極大地提高模型的性能。

在 Facebook 的論文《Specifying Object Attributes and Relations in Interactive Scene Generation》中，研究者可以將 CV 數據集 COCO 中的對象放置在畫布中，并指定對象的位置和大小以創建場景圖。然后他們使用 GNN 對圖像進行編碼以確定每個對象的嵌入，進而將其與 CNN 一起使用以生成對象的 mask、邊框和外觀。最終，用戶可以方便地在圖形中添加新節點（指定該節點的相對位置和大小）以使 GNN/CNN 使用這些對象生成圖像。

使用場景圖生成圖像。

CV 中圖像的另一個來源是兩個相關圖像的匹配，這是一個經典問題，過去采用手工描述符實現。3D 圖形公司 Magic Leap 發布了一種名為 SuperGlue 的 GNN 體系架構，該架構可在實時視頻中執行圖形匹配，用于 3D 重建、位置識別、本地化和映射（SLAM）等任務。SuperGlue 包含一個基于注意力的 GNN，它學習圖像關鍵點的表征，進而饋入匹配的最優傳輸層。該模型在現代 GPU 上實時執行匹配，并且可以輕松集成到現代 SLAM 系統中。有關圖形與計算機視覺相交的更多內容，請查看綜述文章《Computing Graph Neural Networks: A Survey from Algorithms to Accelerators 》。

物理 / 化學

生命科學得益于將粒子或分子之間的交互表示為一個圖，然后用 GNN 預測這類系統的性質。在 Facebook 和 CMU 的開放催化器項目（Open Catalyst Project）項目中，最終目的是找到儲存太陽能或風能等可再生能源的新方法。其中一個可能的解決辦法是通過化學反應將這種能量轉化為其他燃料，例如氫。然而，這需要發現能夠以高速率驅動化學反應的新催化劑，并且諸如 DFT 的已知方法成本高昂。開放催化劑項目開源了一個最大的催化劑數據集以及 DFT 弛豫和 GNN 基準方法。目的是希望找到新的高效且低成本的催化劑分子。

吸附物（小連接分子）和催化劑表面的初始和松弛狀態示例。

DeepMind 的研究者還應用 GNN 來模擬水或沙等復雜粒子系統的動力學過程。通過在每一步預測每個粒子的相對運動，就有可能合理地重建整個系統的動力學，并進一步了解控制運動的基本規律。例如，這種方法被用來理解玻璃化轉化，這是固態理論中最有趣的尚未解決的問題之一。使用 GNN 不僅可以模擬過渡過程中的動力學，還可以更好地理解粒子如何根據距離和時間相互影響。

此外，位于美國的物理實驗室費米國立加速器實驗室（Fermilab）致力于將 GNN 遷移到 CERN 的大型強子對撞機（LHC）的結果分析上。其目標是處理數百萬張圖像，并選擇那些可能與發現新粒子有關的圖像。他們的任務是在 FPGA 上實現 GNN，并將其與數據采集處理器集成，這樣就可以在世界各地遠程運行 GNN。要了解 GNN 在粒子物理中的更多應用，請查看 Jonathan Shlomi 等人論文《Graph Neural Networks in Particle Physics》。

藥物發現

制藥公司每年都會投入數十億美元的研發資金用來尋找藥物開發的新模式。在生物學中，圖可以表示為不同規模的交互。在分子水平上，圖的邊緣可以是分子中原子之間的鍵或蛋白質中氨基酸殘基之間的相互作用。而在更大的范圍內，圖可以表示更復雜的結構（如蛋白質、mRNA 或代謝物）之間的相互作用。根據特定的抽象層次，這些圖可用于目標識別、分子性質預測、高通量篩選、新型藥物設計、蛋白質工程和藥物再利用等領域。

基于 GNN 的藥物發現時間表。Gaudelet et al., 2020

或許，使用 GNN 進行藥物發現最有希望的是 2020 年 MIT 研究者以及合作者發表在《細胞》（Cell）上的文章《A Deep Learning Approach to Antibiotic Discovery》。在這項研究中，他們提出了一種被稱為 Chemprop 的深度 GNN 模型，用來預測分子是否具有抗生素特性：對大腸桿菌的生長抑制作用。在僅使用 FDA 批準的藥物庫中的大約 2500 個分子對其進行訓練后，Chemprop 被應用于更大的數據集，包括包含 Halicin 分子的 Drug Repurposed Hub。

值得注意的是，以前僅對 Halicin 分子進行過研究，因為其結構與已知抗生素相差很大。然而，實驗室進行的體內體外臨床試驗都證明了 Halicin 是廣譜抗生素。針對強大 NN 模型的廣泛基準測試表明了在 Halicin 發現中使用 GNN 學習特征的重要性。除了這項研究的實用性之外，Chemprop 架構也值得更多的關注。與其它 GNN 模型不同，Chemprop 有 5 層和 1600 個隱藏維，在此類任務上參數遠遠多于典型的 GNN。當然，這只是少數即將在 AI 中發現的新醫學之一。有關此主題的更多結果，請查看最近的一篇綜述文章《Utilising Graph Machine Learning within Drug Discovery and Development》和博客文章《What 2021 holds for Graph ML?》。

責任編輯：張燕妮來源：機器之心

AI 數據人工智能