操作子層級基準揭露：訊息構建主導分子訊息傳遞神經網路表現
研究對分子訊息傳遞神經網路做操作子層級的因子基準，拆為訊息初始化、節點-邊融合與節點更新三類，測試84種配置與十個MoleculeNet資料集。結果顯示性能差異主要源於訊息構建，串接混合在回歸任務具優勢，代表性設定也在多數基準取得競爭成績。
重點速報
一項操作子層級的因子化基準指出：分子用的訊息傳遞神經網路（MPNN）表現，主要由訊息構建決定，而非更新複雜度。
方法與設計
研究把2D分子MPNN拆成三大操作族群—訊息種子初始化、節點-邊融合、節點更新—組合出84種配置，並於十個MoleculeNet資料集下，使用一致實驗與統計流程做比較。
主要發現
在受控實驗中，訊息種子初始化對回歸與分類均呈現家族層級影響；節點-邊融合在回歸任務上也有顯著效果，其中以串接式(concatenation)混合在描述性與抗過度平滑上具優勢；相對地，更新操作族群未展現統計上支持的效應。
說明與應用
透過對某分子的表示探針，研究示範串接混合能更好區分化學上不同的雜原子並減少過度平滑。分別為分類與回歸挑選的代表性設定，在多數基準上回復到與既有分子GNN基線相當甚至更佳的競爭表現（在多個資料集上數值排名最佳）。研究最後給出簡潔的機理分析與設計啟示：把模型設計從尋找整體龐大架構，轉為針對訊息如何進入傳遞流程的有目標評估。
延伸閱讀
- MoleCode：以 Subgraph–Node–Edge 圖形顯式語言提升 LLM 的分子拓撲推理能力
- 解析 ESM2-8M 的位置先驗機制：RoPE、注意力與甲硫氨酸偏好
- Tavily 代理人深度研究：上下文工程與代幣效率的突破
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
