消息传递神经网络 MPNN 是什么？统一各种图神经网络的框架

消息传递神经网络（Message Passing Neural Networks，MPNN）是处理图结构数据的一个通用框架，由 Gilmer 等人在 2017 年提出，论文标题是《用于量子化学的神经消息传递》。这篇论文来自谷歌的研究团队，它把此前提出的多种图神经网络统一到了“消息传递”这一共同的框架之下。

消息传递的思路

MPNN 的核心思想很直观：图中的每个节点就像一个人，每一轮，每个人都从自己的邻居那里收到“消息”，然后根据收到的消息和自己原来的状态，更新自己的状态。重复几轮之后，每个节点就积累了来自周围越来越远的节点的信息，它的表示也就反映了它在整个图中的局部结构和上下文。

具体来说，MPNN 把这个过程分成两个阶段。消息传递阶段，重复若干轮，每一轮包括：消息函数，根据一个节点、它的某个邻居以及它们之间的边的特征，计算出这个邻居传过来的消息；聚合，把来自所有邻居的消息汇总起来，通常是求和；更新函数，根据汇总的消息和节点当前的状态，计算出节点的新状态。读出阶段：如果要对整个图做预测，比如预测一个分子的性质，就用一个读出函数把所有节点的最终状态汇总成整个图的表示。

消息函数、更新函数和读出函数都可以是神经网络，选择不同的具体形式，就得到不同的图神经网络。论文展示了，图卷积网络、门控图神经网络等多种已有的模型，都可以看作 MPNN 框架的特例。

用于量子化学

论文最初的应用场景是量子化学：分子天然就是图，原子是节点，化学键是边。用传统的量子化学方法（如密度泛函理论）计算分子的性质，比如能量、偶极矩，非常耗时。研究团队用 MPNN 在 QM9 数据集上预测分子的 13 种量子化学性质，取得了当时最好的结果，在很多性质上达到了化学精度，而计算速度比传统方法快得多。

影响

消息传递已经成为理解和设计图神经网络的标准语言，大多数图神经网络都可以用这一框架来描述。它在药物发现、材料设计、分子模拟等科学领域影响尤其深远。