科学技術の接点において、複雑な関係性を表現する重要なツールとしてグラフが研究者から注目を集めています。化学分子の設計からソーシャルネットワーク分析まで、多くの分野で不可欠な役割を果たしています。しかし、効率的かつ柔軟にグラフを生成することは、長年にわたる大きな課題でした。最近、タフツ大学、東北大学、コーネル大学の研究チームが共同で、グラフ生成と表現方法を再定義することを目指した、Graph Generative Pre-trained Transformer（G2PT）と呼ばれる自己回帰モデルを発表しました。

3月8日国際女性デー表紙画像 女神祭ポスター

画像出典：AI生成、画像ライセンス提供元Midjourney

従来のグラフ生成モデルが隣接行列に依存するのに対し、G2PTはシーケンスベースのトークン化手法を採用しています。この手法は、グラフをノード集合とエッジ集合に分解することで、グラフのスパース性を十分に活用し、計算効率を大幅に向上させます。G2PTの革新的な点は、自然言語を処理するように、グラフを段階的に生成し、次のトークンを予測することでグラフ全体の構築を完了できる点です。研究によると、このシーケンス化された表現方法は、トークンの数を削減するだけでなく、生成品質も向上させます。

G2PTの適応性と拡張性は注目に値します。ファインチューニング技術により、目標指向グラフ生成やグラフ属性予測などのタスクで優れた性能を発揮します。例えば、医薬品設計において、G2PTは特定の物理化学的性質を持つ分子グラフを生成できます。さらに、事前学習済みモデルのグラフ埋め込みを抽出することで、複数の分子属性予測データセットでも優れた性能を示します。

比較実験では、G2PTは複数のベンチマークデータセットにおいて、既存の最先端モデルを大幅に上回る性能を示しました。有効性、一意性、分子属性分布のマッチングなどの点で、その性能は高く評価されています。研究者らは、モデルとデータ規模が生成性能に及ぼす影響についても分析し、モデル規模の増加に伴い生成性能が大幅に向上し、一定規模を超えると飽和する傾向にあることを示しました。

G2PTは複数のタスクで優れた能力を示していますが、研究者らは、生成順序の感度が、異なるグラフ領域で異なる順序最適化戦略が必要になる可能性を指摘しています。今後の研究では、より汎用的で表現力の高いシーケンス設計の探求が期待されます。

G2PTの登場は、グラフ生成分野に革新的な手法をもたらしただけでなく、関連分野の研究と応用に堅実な基盤を築きました。