論文の概要: HydroNet: Benchmark Tasks for Preserving Intermolecular Interactions and Structural Motifs in Predictive and Generative Models for Molecular Data

• arxiv url: http://arxiv.org/abs/2012.00131v1
• Date: Mon, 30 Nov 2020 22:01:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 17:22:56.309307
• Title: HydroNet: Benchmark Tasks for Preserving Intermolecular Interactions and Structural Motifs in Predictive and Generative Models for Molecular Data
• Title（参考訳）: HydroNet:分子データの予測および生成モデルにおける分子間相互作用と構造モチーフの保存のためのベンチマークタスク
• Authors: Sutanay Choudhury, Jenna A. Bilbrey, Logan Ward, Sotiris S. Xantheas, Ian Foster, Joseph P. Heindel, Ben Blaiszik, Marcus E. Schwarting
• Abstract要約: 本稿では,化学問題に対する機械学習アプローチにおける分子間相互作用と構造的モチーフの保存に関する課題について述べる。 最近発表された495万個の水クラスターのデータセットを水素結合相互作用によって保持し、より長い範囲の構造パターンをもたらす。
• 参考スコア（独自算出の注目度）: 0.6428755854483776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intermolecular and long-range interactions are central to phenomena as diverse as gene regulation, topological states of quantum materials, electrolyte transport in batteries, and the universal solvation properties of water. We present a set of challenge problems for preserving intermolecular interactions and structural motifs in machine-learning approaches to chemical problems, through the use of a recently published dataset of 4.95 million water clusters held together by hydrogen bonding interactions and resulting in longer range structural patterns. The dataset provides spatial coordinates as well as two types of graph representations, to accommodate a variety of machine-learning practices.
• Abstract（参考訳）: 分子間相互作用と長距離相互作用は、遺伝子調節、量子物質のトポロジー状態、電池中の電解質輸送、水の普遍的な溶媒和特性といった様々な現象の中心である。 化学問題に対する機械学習アプローチにおける分子間相互作用と構造モチーフの保存には,水素結合相互作用によって保持された495万の水クラスターのデータセットを用いて,より広い範囲の構造パターンを導出した。 データセットは、さまざまな機械学習プラクティスに対応するために、空間座標と2種類のグラフ表現を提供する。

関連論文リスト

• Accelerated Hydration Site Localization and Thermodynamic Profiling [0.0]
  本研究では,タンパク質構造用水和部位の高速かつ高精度な局在と熱力学的プロファイリング法を提案する。 この方法は、明示的な水分子動力学シミュレーションの大規模で新しいデータセットに基づいて訓練された幾何学的深層ニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2024-11-23T17:58:58Z)
• Graph Fourier Neural ODEs: Bridging Spatial and Temporal Multiscales in Molecular Dynamics [39.412937539709844]
  分子動力学における空間的・時間的多スケール相互作用を共同でモデル化する新しい枠組みを提案する。 MD17データセット上で本モデルを評価し,最先端のベースラインに対して一貫した性能向上を示す。
  論文  参考訳（メタデータ） (2024-11-03T15:10:48Z)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum Computer [50.24983453990065]
  我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。 我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。 興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
  論文  参考訳（メタデータ） (2023-06-14T14:44:12Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Molecular Interactions Induced by a Static Electric Field in Quantum Mechanics and Quantum Electrodynamics [68.98428372162448]
  我々は、一様静電場を受ける2つの中性原子または分子間の相互作用を研究する。 我々の焦点は、電場誘起静電分極と分散相互作用への主要な寄与の間の相互作用を理解することである。
  論文  参考訳（メタデータ） (2021-03-30T14:45:30Z)
• BayReL: Bayesian Relational Learning for Multi-omics Data Integration [31.65670269480794]
  我々は,異なるマルチオミクスデータ型間の相互作用を推論する新しい手法を開発した。 BayReLはビュー固有の潜伏変数と、ビュー間のインタラクションをエンコードするマルチパーティトグラフを学習する。 実世界の複数のデータセットに対する実験により,BayReLの性能が向上した。
  論文  参考訳（メタデータ） (2020-10-12T17:43:07Z)
• Dynamical Strengthening of Covalent and Non-Covalent Molecular Interactions by Nuclear Quantum Effects at Finite Temperature [58.999762016297865]
  核量子効果(NQE)は非局在化された分子動力学を生成する傾向がある。 NQEはしばしば電子相互作用を増強し、有限温度での動的分子安定化をもたらす。 我々の発見は、分子や材料における原子核量子ゆらぎの多角的役割に関する新たな洞察をもたらす。
  論文  参考訳（メタデータ） (2020-06-18T14:30:29Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• On-the-fly Prediction of Protein Hydration Densities and Free Energies using Deep Learning [0.0]
  我々は,水和サイトデータを予測するためのディープニューラルネットワークモデルを開発した。 タンパク質相互作用場は、水和占有の対応する3D画像にマッピングされる。 直接のタンパク質相互作用場に加えて、各格子点の環境は、近傍格子点の相互作用特性の球面高調波展開のモーメントを用いて表現された。
  論文  参考訳（メタデータ） (2020-01-07T18:06:30Z)

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。