論文の概要: Data-driven discovery of multiscale chemical reactions governed by the law of mass action

• arxiv url: http://arxiv.org/abs/2101.06589v2
• Date: Tue, 2 Feb 2021 03:33:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 02:13:33.813112
• Title: Data-driven discovery of multiscale chemical reactions governed by the law of mass action
• Title（参考訳）: 質量作用則による多スケール化学反応のデータの発見
• Authors: Juntao Huang and Yizhou Zhou and Wen-An Yong
• Abstract要約: 本論文では,マスアクション法則に基づく多スケール化学反応の探索のためのデータ駆動手法を提案する。 私たちは、反応剤と反応のないシステム内の製品の両方のstoichiometric係数を表すために単一のマトリックスを使用します。 複数の数値実験により,多スケール化学反応の学習におけるアルゴリズムの性能が検証された。
• 参考スコア（独自算出の注目度）: 4.705291741591329
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a data-driven method to discover multiscale chemical reactions governed by the law of mass action. First, we use a single matrix to represent the stoichiometric coefficients for both the reactants and products in a system without catalysis reactions. The negative entries in the matrix denote the stoichiometric coefficients for the reactants and the positive ones for the products. Second, we find that the conventional optimization methods usually get stuck in the local minima and could not find the true solution in learning the multiscale chemical reactions. To overcome this difficulty, we propose a partial-parameters-freezing (PPF) technique to progressively determine the network parameters by using the fact that the stoichiometric coefficients are integers. With such a technique, the dimension of the searching space is gradually reduced in the training process and the global mimina can be eventually obtained. Several numerical experiments including the classical Michaelis-Menten kinetics and the hydrogen oxidation reactions verify the good performance of our algorithm in learning the multiscale chemical reactions. The code is available at \url{https://github.com/JuntaoHuang/multiscale-chemical-reaction}.
• Abstract（参考訳）: 本稿では,質量作用の法則に則る多スケール化学反応を探索するためのデータ駆動型手法を提案する。 まず, 触媒反応を伴わない系において, 反応物と生成物の化学量係数を表すために, 単一行列を用いる。 行列内の負の成分は反応剤の化学量係数と生成物の正の係数を表す。 第二に, 従来の最適化手法は局所的な極小領域に留まり, マルチスケール化学反応の学習において真の解を見出すことができなかった。 この課題を克服するために,確率係数が整数であるという事実を用いて,ネットワークパラメータを漸進的に決定する部分パラメータフリージング(ppf)手法を提案する。 このような技術により、トレーニング過程において探索空間の寸法を徐々に小さくし、最終的に大域的ミミナが得られる。 古典的ミカエル・メンテン運動学や水素酸化反応などの数値実験により, マルチスケール化学反応の学習におけるアルゴリズムの性能が検証された。 コードは \url{https://github.com/juntaohuang/multiscale-chemical-reaction} で入手できる。

関連論文リスト

• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  本稿では,様々な有機反応関連タスクに適した新しい化学反応表現学習モデルであるモデルネームを紹介する。 反応物質と生成物との原子対応を統合することにより、反応中に生じる分子変換を識別し、反応機構の理解を深める。 反応条件を化学反応表現に組み込むアダプタ構造を設計し、様々な反応条件を処理し、様々なデータセットや下流タスク、例えば反応性能予測に適応できるようにした。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• Generating High-Precision Force Fields for Molecular Dynamics Simulations to Study Chemical Reaction Mechanisms using Molecular Configuration Transformer [8.267664135065903]
  本稿では,以前に開発されたグラフニューラルネットワークに基づく分子モデルを用いて,分子モデリングのための高精度力場を訓練する手法を提案する。 このポテンシャルエネルギー関数は計算コストの低い高精度なシミュレーションを可能にし、化学反応のメカニズムをより正確に計算する。
  論文  参考訳（メタデータ） (2023-12-31T13:43:41Z)
• Bayesian Inference for Jump-Diffusion Approximations of Biochemical Reaction Networks [26.744964200606784]
  マルコフ連鎖モンテカルロに基づく抽出可能なベイズ推定アルゴリズムを開発した。 このアルゴリズムは、部分的に観察されたマルチスケールの生死過程の例に対して数値的に評価される。
  論文  参考訳（メタデータ） (2023-04-13T14:57:22Z)
• Differentiable Programming of Chemical Reaction Networks [63.948465205530916]
  化学反応ネットワークは、自然によって使用される最も基本的な計算基板の1つである。 膜によって分離された複数のチャンバーを持つシステムと同様に、よく混合されたシングルチャンバーシステムについて検討した。 我々は、微分可能な最適化と適切な正規化が相まって、非自明なスパース反応ネットワークを発見することを実証した。
  論文  参考訳（メタデータ） (2023-02-06T11:41:14Z)
• 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)
• Self-Improved Retrosynthetic Planning [66.5397931294144]
  再合成計画(Retrosynthetic Planning)は、標的分子を合成する反応の経路を見つけるための化学の基本的な問題である。 最近の検索アルゴリズムは、ディープニューラルネットワーク(DNN)を用いてこの問題を解決するための有望な結果を示している。 そこで本研究では,DNNを直接訓練し,望ましい特性を持つ反応経路を生成するためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-09T08:03:57Z)
• Non-Autoregressive Electron Redistribution Modeling for Reaction Prediction [26.007965383304864]
  反応を1ショットで予測する非自己回帰学習パラダイムを考案する。 任意の電子フローとして反応を定式化し、新しいマルチポインター復号ネットワークで予測する。 USPTO-MITデータセットの実験により、我々の手法は最先端のトップ1の精度を確立した。
  論文  参考訳（メタデータ） (2021-06-08T16:39:08Z)
• RetCL: A Selection-based Approach for Retrosynthesis via Contrastive Learning [107.64562550844146]
  レトロシンセシスは深層学習の新たな研究分野である。 本稿では, 市販分子の候補群から, 反応物質の選択問題へとレトロシンセシスを再構成する新しいアプローチを提案する。 スコア機能を学ぶために、ハードネガティブマイニングを備えた新しいコントラストトレーニングスキームも提案します。
  論文  参考訳（メタデータ） (2021-05-03T12:47:57Z)
• Quantum Mechanics and Machine Learning Synergies: Graph Attention Neural Networks to Predict Chemical Reactivity [7.799648230758492]
  有機化学における官能基の反応性のスケーラブルな定量的測定が欠如している。 従来の量子化学研究では、メチルカチオンアフィニティ(MCA*)とメチルアニオンアフィニティ(MAA*)を導入しました。 MCA*およびMAA*は反応パラメータのよい推定を提供し、密度機能理論(DFT)のシミュレーションによる計算は時間がかかります。
  論文  参考訳（メタデータ） (2021-03-24T19:05:02Z)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。 本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

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。