論文の概要: Molecular CT: Unifying Geometry and Representation Learning for
Molecules at Different Scales
- arxiv url: http://arxiv.org/abs/2012.11816v3
- Date: Tue, 26 Dec 2023 09:32:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-28 02:18:35.737351
- Title: Molecular CT: Unifying Geometry and Representation Learning for
Molecules at Different Scales
- Title（参考訳）: 分子ct:異なるスケールの分子の幾何学と表現学習の統合
- Authors: Jun Zhang, Yao-Kun Lei, Yaqiang Zhou, Yi Isaac Yang and Yi Qin Gao
- Abstract要約: この目的のために、新しいディープニューラルネットワークアーキテクチャである分子構成変換器(分子CT)が導入された。
計算効率と普遍性は、様々な分子学習シナリオに分子CTを多用する。
例として、分子CTは分子系の異なるスケールでの表現学習を可能にし、共通ベンチマークで同等または改善された結果が得られることを示す。
- 参考スコア（独自算出の注目度）: 3.987395340580183
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning is changing many areas in molecular physics, and it has shown
great potential to deliver new solutions to challenging molecular modeling
problems. Along with this trend arises the increasing demand of expressive and
versatile neural network architectures which are compatible with molecular
systems. A new deep neural network architecture, Molecular Configuration
Transformer (Molecular CT), is introduced for this purpose. Molecular CT is
composed of a relation-aware encoder module and a computationally universal
geometry learning unit, thus able to account for the relational constraints
between particles meanwhile scalable to different particle numbers and
invariant with respect to the trans-rotational transforms. The computational
efficiency and universality make Molecular CT versatile for a variety of
molecular learning scenarios and especially appealing for transferable
representation learning across different molecular systems. As examples, we
show that Molecular CT enables representational learning for molecular systems
at different scales, and achieves comparable or improved results on common
benchmarks using a more light-weighted structure compared to baseline models.
- Abstract（参考訳）: 深層学習は分子物理学の多くの領域を変えており、分子モデリング問題に挑戦する新しい解決策を提供する大きな可能性を示している。
この傾向とともに、分子システムと互換性のある表現的かつ汎用的なニューラルネットワークアーキテクチャの需要が高まっている。
この目的のために、新しいディープニューラルネットワークアーキテクチャである分子構成変換器(Molecular CT)が導入された。
分子ctは、関係認識エンコーダモジュールと計算的普遍幾何学習ユニットから成り、異なる粒子数にスケーラブルな粒子間の関係制約を考慮でき、トランス回転変換に関して不変である。
計算効率と普遍性は、分子CTを様々な分子学習シナリオに多用し、特に異なる分子系をまたいだ伝達可能な表現学習に有益である。
例えば、分子ctは異なるスケールで分子システムの表現学習を可能にし、基準モデルと比較してより軽量な構造を用いて、共通のベンチマークで同等または改善された結果が得られることを示す。
関連論文リスト
- GeoMFormer: A General Architecture for Geometric Molecular Representation Learning [84.02083170392764]
我々はこの目的を達成するためにGeoMFormerと呼ばれるトランスフォーマーに基づく新しい分子モデルを導入する。
我々は,GeoMFormerが,異なる型やスケールの不変タスクと同変タスクの両方において,高い性能を達成することを示す。
論文 参考訳（メタデータ） (2024-06-24T17:58:13Z) - 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) - MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。
拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。
我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文 参考訳（メタデータ） (2023-04-28T04:25:57Z) - Learning Harmonic Molecular Representations on Riemannian Manifold [18.49126496517951]
分子表現学習は、AIによる薬物発見研究において重要な役割を担っている。
本研究では,その分子表面のラプラス・ベルトラミ固有関数を用いた分子を表現する高調波分子表現学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-27T18:02:47Z) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳（メタデータ） (2023-02-04T01:32:40Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳（メタデータ） (2022-09-12T00:56:57Z) - Molecular dynamics without molecules: searching the conformational space
of proteins with generative neural networks [0.0]
全原子および粗粒分子動力学はタンパク質のコンフォメーション状態の研究に広く用いられている。
全ての原子と粗粒のシミュレーション手法は、スーパーコンピュータの資源にアクセスできなければ、これらの状態が検出可能な時間と長さのスケールが達成できないという事実に悩まされる。
1つの選択肢は、分子動力学の原子軌道を物理粒子の短期バージョンとして符号化し、人工知能ベクトルを用いて符号化された軌道を伝播させることである。
論文 参考訳（メタデータ） (2022-06-09T02:06:43Z) - GeoT: A Geometry-aware Transformer for Reliable Molecular Property
Prediction and Chemically Interpretable Representation Learning [16.484048833163282]
GeoT(Geometry-aware Transformer)という,分子表現学習のためのトランスフォーマーベースの新しいフレームワークを提案する。
GeoTは、分子特性予測と同様に、信頼性の高い解釈性を提供するように設計された注意に基づくメカニズムを通じて、分子グラフ構造を学習する。
実験的なシミュレーションを含む包括的実験により、GeoTは分子構造に関する化学的な洞察を効果的に学習し、人工知能と分子科学のギャップを埋めることを明らかにした。
論文 参考訳（メタデータ） (2021-06-29T15:47:18Z) - Augmenting Molecular Deep Generative Models with Topological Data
Analysis Representations [21.237758981760784]
分子のトポロジカルデータ解析(TDA)表現を付加したSMILES変分自動エンコーダ(VAE)を提案する。
実験の結果, このTDA拡張により, SMILES VAEは3次元幾何学と電子特性の複雑な関係を捉えることができることがわかった。
論文 参考訳（メタデータ） (2021-06-08T15:49:21Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z) - A Perspective on Deep Learning for Molecular Modeling and Simulations [8.891007063629187]
分子物理学の観点から,従来のディープラーニングモデルの限界に注目した。
我々は、教師なしから教師なし、強化学習まで、いくつかの代表的な応用を要約した。
我々は、現在のディープ分子モデリングの枠組みにおける既存の問題に対処する上で役立つ有望な方向性を概観する。
論文 参考訳（メタデータ） (2020-04-25T22:58:25Z)
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。