圖片中的狗挪到圖片左邊還是一張狗的照片）。 圖形對(duì)稱性這一固有特征是機(jī)器學(xué)習(xí)處理圖像數(shù)據(jù)非常理想的性質(zhì)，在這領(lǐng)域也有許多有趣的研究，例如Yujia Li等研究了結(jié)構(gòu)化圖片的特征學(xué)習(xí)技巧，David Duvenaud等應(yīng)用圖像神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)分子指紋信息，Steven Kearnes等提出一種機(jī)器學(xué)習(xí)模型用于無向圖的學(xué)習(xí)。盡管這一領(lǐng)域已有所進(jìn)展，谷歌研究院希望找到化學(xué)（和其他）應(yīng)用模型的最佳版本，并找出文獻(xiàn)中提到的不同模型之間的聯(lián)系。 谷歌研究院提出的MPNN模型提高了QM9數(shù)據(jù)集任務(wù)（預(yù)測(cè)所有13種化學(xué)性質(zhì)）的最好性能，在這個(gè)特定的數(shù)據(jù)集上，他們的模型可以準(zhǔn)確地預(yù)測(cè)13種性質(zhì)中的11個(gè)，這樣的預(yù)測(cè)性能已經(jīng)足夠準(zhǔn)確，能對(duì)化學(xué)家未來的應(yīng)用有幫助。另外，此模型比使用DFT模擬要快30萬倍。但是在MPNN模型走向?qū)嶋H應(yīng)用之前還有很多工作要做。實(shí)際上，MPNN模型必須應(yīng)用于比QM9數(shù)據(jù)更多樣化的分子集合（例如數(shù)目更大，變化更大的重原子集合）。當(dāng)然，即使有了更真實(shí)的數(shù)據(jù)集，模型的泛化性能還是很差。克服以上兩個(gè)挑戰(zhàn)需要解決機(jī)器學(xué)習(xí)研究的核心問題，例如泛化。
預(yù)測(cè)分子性質(zhì)是一個(gè)非常重要的問題，它既是先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用場(chǎng)景，也為機(jī)器學(xué)習(xí)帶來了非常有趣的基礎(chǔ)研究課題。最后，分子性質(zhì)的預(yù)測(cè)有助于造福人類的新藥物和材料的設(shè)計(jì)。谷歌科學(xué)家們認(rèn)為傳播研究成果，幫助其他研究者學(xué)習(xí)機(jī)器學(xué)習(xí)應(yīng)用都是及其重要的。