論文の概要: Fast and Uncertainty-Aware Directional Message Passing for Non-Equilibrium Molecules

• arxiv url: http://arxiv.org/abs/2011.14115v3
• Date: Tue, 5 Apr 2022 11:57:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 20:04:29.976505
• Title: Fast and Uncertainty-Aware Directional Message Passing for Non-Equilibrium Molecules
• Title（参考訳）: 非平衡分子に対する高速かつ不確実な指向性メッセージパッシング
• Authors: Johannes Gasteiger, Shankari Giri, Johannes T. Margraf, Stephan G\"unnemann
• Abstract要約: 平衡分子のQM9ベンチマークにおいて、元のDimeNetよりも8倍高速で10%精度の高いDimeNet++モデルを提案する。 第2に、衝突時に小さな分子の歪んだ構成を含む挑戦的なCOLLデータセットを開発することにより、DimeNet++を高反応性分子上で検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many important tasks in chemistry revolve around molecules during reactions. This requires predictions far from the equilibrium, while most recent work in machine learning for molecules has been focused on equilibrium or near-equilibrium states. In this paper we aim to extend this scope in three ways. First, we propose the DimeNet++ model, which is 8x faster and 10% more accurate than the original DimeNet on the QM9 benchmark of equilibrium molecules. Second, we validate DimeNet++ on highly reactive molecules by developing the challenging COLL dataset, which contains distorted configurations of small molecules during collisions. Finally, we investigate ensembling and mean-variance estimation for uncertainty quantification with the goal of accelerating the exploration of the vast space of non-equilibrium structures. Our DimeNet++ implementation as well as the COLL dataset are available online.
• Abstract（参考訳）: 化学における多くの重要なタスクは反応中に分子を取り巻く。 これは平衡から遠ざかる予測を必要とするが、最近の分子の機械学習の研究は平衡状態や準平衡状態に焦点を当てている。 本稿では,この範囲を3つの方法で拡張することを目的とする。 まず, 平衡分子のqm9ベンチマークにおいて, 元のdimenetよりも8倍高速で10%精度のdimenet++モデルを提案する。 第2に,衝突時の小分子の歪んだ配置を含むcollデータセットの開発により,高い反応性を持つ分子上でdimenet++を検証する。 最後に,不確実性定量化のためのアンサンブルと平均分散推定について検討し,非平衡構造の広大な空間の探索を加速することを目的とした。 私たちのDimeNet++実装とCOLLデータセットはオンラインで利用可能です。

関連論文リスト

• Nutmeg and SPICE: Models and Data for Biomolecular Machine Learning [1.747623282473278]
  SPICEデータセットは、機械学習ポテンシャルをトレーニングするための量子化学計算の集合である。 我々は、その上にNutmegと呼ばれるポテンシャルエネルギー関数のセットを訓練する。
  論文  参考訳（メタデータ） (2024-06-18T23:54:21Z)
• May the Force be with You: Unified Force-Centric Pre-Training for 3D Molecular Conformations [19.273404278711794]
  平衡データとオフ平衡データの両方をカバーする3次元分子配座のための力中心事前学習モデルを提案する。 平衡データに対しては, ゼロフォース正則化と強制的復調法を導入し, 近似平衡力について検討する。 実験により, 事前学習目標により, 未訓練の同変変変圧器モデルと比較して, 力の精度を約3倍に向上することを示した。
  論文  参考訳（メタデータ） (2023-08-24T01:54:02Z)
• 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)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• 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)
• 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)
• Fast Quantum Property Prediction via Deeper 2D and 3D Graph Networks [41.727588601578155]
  2次元分子グラフから直接学習することで量子特性を予測するディープグラフニューラルネットワークを設計する。 また,ローコスター集合から学習する3次元グラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-16T05:07:28Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)
• Predicting molecular dipole moments by combining atomic partial charges and atomic dipoles [3.0980025155565376]
  高レベル結合クラスター理論を用いて計算した分子$boldsymbolmu$を再現するために、「MuML」モデルが組み合わされた。 校正委員会モデルを用いて予測の不確かさを確実に推定できることを実証する。
  論文  参考訳（メタデータ） (2020-03-27T14:35:37Z)

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。