Predicting Molecular Properties-9
＊1週間程度の予定で、過去のKaggleコンペ、Predicting Molecular Properties、に取り組む。（1週間を超えた！）
＊目的は、DNNがどのような課題に対して、どのように貢献できるのかを、実例を通して学ぶこと。
＊今回は、まず、グラフネットワークを理解し、次に、GilmerのMPNNを理解し、その後で、コードの理解に進むという流れにしようと思う。
＊今日は、K. T. SchüttさんのDTNNのモデルを理解したいと思う。
・有機分子に対する量子力学計算結果を、機械学習により、精度を落とすことなく、短時間の計算によって再現するために、従来の機械学習からグラフニューラルネットまで多くの研究がなされている。
・その集大成ともいえるグラフニューラルネットによる解析方法の１つがDTNNである。
・分子中の原子の種類と3次元座標を入力データとして、量子力学計算結果をラベルとして与え、未知の分子の原子の種類と3次元座標から、量子力学計算結果を予測できるようにする、ということだが、DTNNは、何をどのように学習するのだろうか。
・まず、DTNNの入力は、原子の核電荷Zと、分子の回転と並進の普遍性を保持した原子間距離Dの行列、となっているがそれだけではない。
・The distances are expanded in a Gaussian basisとか、each atom i is represented by a coefficient vectorとか、・・・。
＊K. T. SchüttさんのDTNNを理解するためには、Graph Neural Networkおよび、それ以前の機械学習による分子の量子力学計算のモデリングに関する多くのことを学ばなければならないことがわかった。
＊DTNNの理解は、明日以降も続けなければならない。
