الشبكات العصبية الجزيئية (Molecular Graph Neural Networks) قد أثبتت فعاليتها في توقع خصائص الجزيئات، ولكن التحدي يكمن في فهم تأثير مشغلات التواصل الخاصة بها على الأداء. في دراسة حديثة، تم تقديم طريقة تقييم جديدة تعطي نظرة أعمق حول كيف يمكن لعوامل مختلفة أن تؤثر على فعالية هذه الشبكات.

تم تقسيم الشبكات إلى ثلاث فئات رئيسية: تهيئة رسائل البذور، دمج العقد والحواف، وتحديث العقد. مع 84 تكوينًا مختلفًا، تم إجراء اختبارات على عشرة مجموعات بيانات من MoleculeNet تحت إعداد تجريبي موحد.

أظهرت النتائج أن التغيرات في الأداء كانت مرتبطة بشكل أساسي ببناء الرسائل بدلاً من تعقيد التحديث. وكانت لتهيئة رسائل البذور تأثيرات ملحوظة لكل من الانحدار والتصنيف، بينما أظهر دمج العقد والحواف تأثيرًا ملحوظًا في حالة الانحدار.

ليس ذلك فحسب، بل تم إثبات أن طرق الدمج المبنية على الربط توفر تمييزًا أفضل بين الذرات الكيميائية المختلفة. وعند اختيار تكوينات تمثيلية بشكل منفصل لكل من التصنيف والانحدار، حققت تلك التكوينات أداءً تنافسيًا مميزًا مقارنة بالشبكات العصبية الجزيئية المعروفة حتى الآن.

كل هذه النتائج تعيد تشكيل أفكارنا حول كيفية تحسين تصاميم الشبكات العصبية الجزيئية، مؤكدةً على أهمية فهم كيفية دخول المعلومات الكيميائية في عمليات التواصل.