CSDN的朋友们大家好，好久没写系列文章了。
近期读了很多图神经网络（GNN）和分子表征（molecular representation）的论文，正好最近不是很忙，所以我决定把自己的学习过程记录下来，与大家共勉。
这个系列总体上将围绕着 GNN for molecular representation 展开，我们从分子图和GNN基础出发。
本文主要参照以下两篇精美的科普文章：
- A Gentle Introduction to Graph Neural Networks
- Understanding Convolutions on Graphs
这两篇文章很出名，很大程度可能因为李沐老师曾出视频讲解过其中第一篇，也有很多同学写了相似的笔记，因此我这里就浅浅记录一下我个人的一些takeaways
分子图
图是具有一定映射关系的点集和边集的集合。
图中每个点和边都有其特定的性质（embedding），整张图也有一个全局的性质（global）。
这种数据结构可能跟传统深度学习的研究对象不一样，例如，CV中是将一张图看做很多的pixel，每个pixel有三元色混合而成。我们此处可将一张图分成点集、边集和全局三块，其实每块儿都可以是相对独立的。看点集时，就可以将每个点看作一个pixel，每个点有很多embedding一样。其他的，边集和全局也是类似的。
图可以表征很多现实世界的物体，例如，图片和自然语言可以由图结构表示，人与人之间的关系也可以由一条条边链接。
当然，最重要的是，分子可以很好的由图的形式表示。分子中的每个原子可被看做图上的节点。分子内成键可以看作连接不同节点的边。
如果我们进一步把每个键近似为一致的，例如，邻接矩阵中对应位置原子成键记为1，不成键记为0。我们就得到了休克尔分子轨道理论中常用的邻接矩阵。该矩阵的特征值与分子稳定性等密切相关，扬州大学的汪洋教授曾基于此发展出了XSI和CSI理论。（好几篇顶刊）
分子、邻接矩阵、分子图示意如下：
图神经网络
OK，请大家暂时忘掉分子图，我们拿到分子后将其转换成了图，后面怎么做神经网络就暂时与分子儿子无关了
OK，请大家再看一下上一节提到的图的三个维度：点，边和全局
目前为止，这只是一张静态的图。我们暂且将神经网络当成一个黑箱，如果不考虑三个维度相互之间的信息交互的话，我们可以给每一个维度写一个黑箱神经网络。原图上的各个embedding在经过黑箱后进行了迭代，形成了新的embedding。我们称这样的现象为update，这样的模块可以是多个，这样的话，图中各个元素的embedding会经过多次的update，如下：
我们现在聚焦到点集上某点的一次update。我们希望该点能够感知到周围点的存在，即，感受到周围的环境。在图神经网络里对应的专业术语是消息传递，message passing，还有一个术语是，信息聚合，aggregate。如下：
多层的消息传递如下：
可以看到，初始图中的局域的性质在经过多次message passing后可以影响到远处的节点，这样的现象又叫做图上的卷积操作。详情请看：Understanding Convolutions on Graphs
embedding update和message passing是图神经网络中的两大基本概念。二者本质上是在进行信息的聚合和迭代，在经过多个block后，输入的图会变成一张信息满满的图，此时，我们在基于此对目标性质进行预测。这一过程叫做图的pooling.
如果任务是预测点的性质，比如，预测分子中每个原子的电荷量。有以下两个思路：1. 每个点对应的embedding feature是多维的，去预测一个标量，可以套用简单的回归模型。2. 边集和全局的embedding feature可以通过适当的方式助力点性质的预测。如下图所示：
同样的，对边的性质做预测时，也可以将点集注入到边集的性质集合中：
当然，我们用的最多的还是对整个图的性质做预测。例如，预测某分子的能量。这样，我们可以将点和边的性质汇总到全局（下图仅为边到全局）：
注意到，点集、边集和全局之间的信息交互并非只在预测阶段使用。在信息聚合阶段也经常看到。例如，下图中的，node 和 edge 之间多次交互，向浪一样前进，因此叫做weave layer。
综上，我们得到了GNN工作的完整链条：
输入的图在经过多次的信息聚合和迭代后，形成了一张新的图，基于这张图，我们对目标性质作预测。
