第 12 章 图神经网络

第 12 章 图神经网络

从社交网络到分子、从知识图谱到蛋白质，现实世界大量数据并不活在规则的网格上，而是以"节点 + 边"的形式存在——这就是图。本章带你掌握处理这类非欧几里得数据的深度学习工具：图神经网络（GNN）。你会先从对称性与几何深度学习的统一视角出发，理解 CNN、Transformer 与 GNN 为何是同一家族的成员；再学习图论基础与消息传递机制；最后进入图注意力网络和三维等变图网络，看到它们如何在药物发现、分子建模与物理仿真中大显身手。

本章简介

图神经网络（Graph Neural Network，GNN）是深度学习处理非欧几里得数据的核心工具。图像是规则像素网格、文本是有序 token 序列，但分子、社交网络、知识图谱、推荐系统、道路交通、蛋白质相互作用——这些数据的天然结构是图：一组实体（节点）加上它们之间的关系（边）。传统 CNN 和 Transformer 很难直接吃下这种结构可变、没有规范顺序的数据，而 GNN 通过在相连节点之间**消息传递（message passing）**来学习，天然尊重图的排列对称性。

GNN 在当下 AI 中扮演着关键角色。在药物发现里，三维 GNN（SchNet、EGNN、MACE）预测分子能量、毒性和结合亲和力，让虚拟筛选数百万候选分子成为可能；在分子建模与材料科学中，它们加速分子动力学模拟，替代昂贵的量子力学计算；在推荐系统里，二部图上的 GNN 把用户和商品连起来预测偏好；在物理仿真中，等变 GNN 正确处理旋转和平移，保证预测在物理上自洽。本章会带你从对称性原理一路走到最前沿的 SE(3) 等变架构与图生成模型，建立一整套处理关系型数据的思维框架。

本章小节

• 几何深度学习（Geometric Deep Learning）：对称群、群作用、不变性与等变性，以及网格、集合、序列、图、流形这五大几何域——揭示 CNN、Transformer 和 GNN 其实是同一条"尊重对称性"原理的不同实例。
• 图论（Graph Theory）：节点、边、邻接矩阵、度与连通性，以及图拉普拉斯、谱图理论与社区检测——为后续所有 GNN 公式提供数学语言。
• 图神经网络（Graph Neural Networks）：消息传递框架、GCN、GraphSAGE、GIN、过平滑、图池化、异构图与链接预测——GNN 的核心架构与训练要点。
• 图注意力网络（Graph Attention Networks）：GAT、多头图注意力、GATv2、图 Transformer、Graphormer、GPS，以及位置/结构编码、可扩展性与时序图——让 GNN 学会动态地"看哪些邻居更重要"。
• 三维图网络（3D Graph Networks）：几何图、SE(3)/E(n) 等变性、SchNet、DimeNet、EGNN、MACE、张量场网络，以及图生成与药物发现——从抽象图扩展到三维物理世界。

学习路径

• 前置知识：建议先学完第 1 章线性代数（向量空间、矩阵乘法、特征值与特征向量、对称矩阵与低秩分解）和第 2 章矩阵（特征分解、二次型、Hadamard 积）——它们直接支撑图拉普拉斯、谱图卷积和不可约表示的数学。第 6 章深度学习（CNN 基础、ReLU、残差连接、GRU、k-means、强化学习）是理解 GNN 层、过平滑缓解和图生成的关键。第 8 章计算机视觉中的卷积、池化、感受野、PointNet 和扩散模型会反复被类比引用；第 7 章的注意力机制与位置编码则是图注意力网络和图 Transformer 的直接前置。
• 后续章节：本章是第 19 章应用 AI 中药物发现与分子建模方向的核心基础——三维等变 GNN、DiffDock 等图生成模型会在那里落地到真实流程。本章的扩散式图生成也与第 8 章的扩散模型、第 20 章前沿 AI 中的生成式建模紧密相连。如果你对推荐系统、知识图谱或科学计算（材料、催化、蛋白质）感兴趣，本章是必经之路。

关键概念速览

• 消息传递（Message Passing）：GNN 的统一配方——每个节点先收集邻居发来的消息，用一个排列不变的函数（求和/求平均/取最大值）聚合，再更新自己的表示；堆叠 k 层后每个节点就能"看到" k 跳邻域。
• 排列等变（Permutation Equivariance）：重新标记图的节点不应改变输出，这是图数据的核心对称性，由聚合函数的排列不变性来保证——对应文件 01 中的对称群 S_n。
• 图拉普拉斯（Graph Laplacian） L = D - A：图论中最重要的矩阵，衡量图上信号的平滑度，其特征值（谱）扮演图的傅里叶频率角色，并直接催生了 GCN 的归一化邻接公式。
• 过平滑（Over-Smoothing）：GNN 层数一多，所有节点表示就收敛到同一个值——这把 GNN 限制在很浅的深度（通常 2-4 层），需要残差连接、跳跃知识或图 Transformer 来缓解。
• 等变性（Equivariance）：变换输入时输出以相应方式变换——三维 GNN 对标量输出（能量）要旋转/平移不变，对向量输出（力）要旋转等变；SE(3) 等变架构（EGNN、MACE、Equiformer）把这一约束内建进每一层。
• 图注意力（Graph Attention）：用学习到的、依赖数据的权重取代 GCN 中由度决定的固定权重，让每个节点动态决定关注哪些邻居；图 Transformer 进一步把全局自注意力引入图中，捕捉长程依赖。