論文の概要: Molecular Design Using Signal Processing and Machine Learning: Time-Frequency-like Representation and Forward Design

• arxiv url: http://arxiv.org/abs/2004.10091v3
• Date: Tue, 3 Nov 2020 15:18:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-22 22:38:01.926973
• Title: Molecular Design Using Signal Processing and Machine Learning: Time-Frequency-like Representation and Forward Design
• Title（参考訳）: 信号処理と機械学習を用いた分子設計:時間周波数様表現と前方設計
• Authors: Alain B. Tchagang, Ahmed H. Tewfik, and Julio J. Vald\'es
• Abstract要約: 我々は、QM-MLパイプラインによく知られた信号処理技術を統合することで、強力な機械(QM-SP-ML)を得ることを示す。 本研究では,分子の構造的,幾何学的,エネルギー的,電子的,熱力学的特性を時間周波数的に表現する。 新しいQM-SP-MLモデルは、QM9データセット(133,855個の分子と19個の性質からなる)でテストされ、許容される化学的精度より低い平均絶対誤差(MAE)を持つ分子の性質を予測することができる。
• 参考スコア（独自算出の注目度）: 9.986608420951558
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accumulation of molecular data obtained from quantum mechanics (QM) theories such as density functional theory (DFTQM) make it possible for machine learning (ML) to accelerate the discovery of new molecules, drugs, and materials. Models that combine QM with ML (QM-ML) have been very effective in delivering the precision of QM at the high speed of ML. In this study, we show that by integrating well-known signal processing (SP) techniques (i.e. short time Fourier transform, continuous wavelet analysis and Wigner-Ville distribution) in the QM-ML pipeline, we obtain a powerful machinery (QM-SP-ML) that can be used for representation, visualization and forward design of molecules. More precisely, in this study, we show that the time-frequency-like representation of molecules encodes their structural, geometric, energetic, electronic and thermodynamic properties. This is demonstrated by using the new representation in the forward design loop as input to a deep convolutional neural networks trained on DFTQM calculations, which outputs the properties of the molecules. Tested on the QM9 dataset (composed of 133,855 molecules and 19 properties), the new QM-SP-ML model is able to predict the properties of molecules with a mean absolute error (MAE) below acceptable chemical accuracy (i.e. MAE < 1 Kcal/mol for total energies and MAE < 0.1 ev for orbital energies). Furthermore, the new approach performs similarly or better compared to other ML state-of-the-art techniques described in the literature. In all, in this study, we show that the new QM-SP-ML model represents a powerful technique for molecular forward design. All the codes and data generated and used in this study are available as supporting materials at https://github.com/TABeau/QM-SP-ML.
• Abstract（参考訳）: 密度汎関数理論(DFTQM)のような量子力学(QM)理論から得られた分子データの蓄積は、機械学習(ML)が新しい分子、薬物、物質の発見を加速することを可能にする。 QMとML(QM-ML)を組み合わせたモデルは、MLの高速でQMの精度を実現するのに非常に効果的である。 本研究では,よく知られた信号処理(sp)技術(短時間フーリエ変換,連続ウェーブレット解析,ウィグナー・ビル分布)をqm-mlパイプラインに統合することにより,分子の表現,可視化,フォワード設計に使用できる強力な機械(qm-sp-ml)を得る。 本研究では,分子の時間周波数的な表現が,その構造的,幾何学的,エネルギー的,電子的,熱力学的性質をコードしていることを示す。 これは、分子の性質を出力するDFTQM計算に基づいて訓練された深部畳み込みニューラルネットワークへの入力として、前方設計ループにおける新しい表現を使用することで実証される。 qm9データセット(133,855分子と19特性からなる)でテストされた新しいqm-sp-mlモデルは、許容可能な化学精度(総エネルギーはmae < 1 kcal/mol、軌道エネルギーはmae < 0.1 ev)以下の平均絶対誤差(mae)で分子の性質を予測することができる。 さらに、新たなアプローチは、文献に記載されている他のML最先端技術と同等かそれ以上に機能する。 そこで本研究では,新しいQM-SP-MLモデルが分子フォワード設計の強力な手法であることを示す。 この研究で生成されたコードとデータは、https://github.com/TABeau/QM-SP-ML.comでサポート資料として提供されている。

関連論文リスト

• Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
  金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。 炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
  論文  参考訳（メタデータ） (2024-05-09T19:51:27Z)
• Implementation of The Future of Drug Discovery: QuantumBased Machine Learning Simulation (QMLS) [8.469926863867904]
  我々は,新たなコンセプトQMLSを導入し,R&Dフェーズ全体を3～6ヶ月短縮し,コストを5～8万USDに短縮する。 ヒット生成のために、機械学習分子生成(MLMG)は標的タンパク質の分子構造に応じてヒットを生成する。 リード最適化では、QSGから生成・濾過された結果の分子を比較し、両方のプロセスの結果として現れる分子を数十のバリエーションに分類する。
  論文  参考訳（メタデータ） (2023-08-14T13:18:40Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Exploring accurate potential energy surfaces via integrating variational quantum eigensovler with machine learning [8.19234058079321]
  この研究で、変分量子アルゴリズムは機械学習(ML)技術と統合可能であることを示す。 変分量子固有解法(VQE)のパラメータを表すために,分子幾何学情報をディープニューラルネットワーク(DNN)に符号化する。
  論文  参考訳（メタデータ） (2022-06-08T01:43:56Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Prediction of transport property via machine learning molecular movements [1.0554048699217666]
  本稿では,物質輸送特性を予測するためのシンプルな教師付き機械学習手法を提案する。 この手法を用いて, せん断流に閉じ込められた潤滑剤分子の粘度を予測した。 低粘度に寄与する分子機構を2種類明らかにした。
  論文  参考訳（メタデータ） (2022-03-07T02:28:07Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
  分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。 これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
  論文  参考訳（メタデータ） (2021-07-01T01:02:17Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。