「几何深度学习」从古希腊到AlphaFold，「图神经网络」起源于物理与化学

转自 | 新智元 编辑 |LRS

【导读】 最近大火的「几何深度学习」到底是怎么出现的？创始人Michael Bronstein发布系列长文，带你从头开始回忆。

2016年，牛津大学教授、Twitter的图机器学习研究负责人Michael Bronstein发布了一篇论文，首次引入几何深度学习（Geometric Deep Learning, GDL）一词，试图从对称性和不变性的视角出发，从几何上统一CNNs、GNNs、LSTMs、Transformers等典型架构的方法。

论文链接： https://arxiv.org/pdf/1611.08097.pdf

比如传统网络认为E和3是不同的，但是具有镜像对称性（或π键旋转）的网络却会认为它们是一致的，而CNN则可以利用平移不变性等将右上角的3和中心的3视为等价，也就增强了泛化性。

最近，Michael Bronstein发起了四篇专栏文章，从古希腊几何到物理、化学，再到现代图神经网络，详细介绍了几何深度学习（GDL）背后的思想是如何出现的。

第一篇主要讨论对称性的概念如何促进理论物理学的发展，第二篇为神经网络的早期历史和第一个「AI寒冬」，第三篇主要研究第一个「几何」架构，第四篇讨论了1960年代化学领域中GNN的早期原型，下面是对第三、四篇的专栏文章翻译。

第一个几何架构