論文の概要: Predicting Material Properties Using a 3D Graph Neural Network with
Invariant Local Descriptors
- arxiv url: http://arxiv.org/abs/2102.11023v1
- Date: Tue, 16 Feb 2021 19:56:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 04:06:56.203456
- Title: Predicting Material Properties Using a 3D Graph Neural Network with
Invariant Local Descriptors
- Title(参考訳): 不変局所記述子を用いた3次元グラフニューラルネットワークによる材料特性予測
- Authors: Boyu Zhang, Mushen Zhou, Jianzhong Wu, Fuchang Gao
- Abstract要約: 材料特性を正確に予測することは新しい材料の発見と設計に不可欠である。
機械学習の手法の中で、グラフ畳み込みニューラルネットワーク(GCNN)が最も成功したものの一つである。
隣接原子間の相互作用を3次元空間で同時にモデル化する,新規な畳み込みを持つ適応型GCNNを提案する。
- 参考スコア(独自算出の注目度): 0.4956709222278243
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately predicting material properties is critical for discovering and
designing novel materials. Machine learning technologies have attracted
significant attention in materials science community for their potential for
large-scale screening. Among the machine learning methods, graph convolution
neural networks (GCNNs) have been one of the most successful ones because of
their flexibility and effectiveness in describing 3D structural data. Most
existing GCNN models focus on the topological structure but overly simplify the
three-dimensional geometric structure. In materials science, the 3D-spatial
distribution of the atoms, however, is crucial for determining the atomic
states and interatomic forces. In this paper, we propose an adaptive GCNN with
novel convolutions that model interactions among all neighboring atoms in
three-dimensional space simultaneously. We apply the model to two distinctly
challenging problems on predicting material properties. The first is Henry's
constant for gas adsorption in Metal-Organic Frameworks (MOFs), which is
notoriously difficult because of its high sensitivity to atomic configurations.
The second is the ion conductivity of solid-state crystal materials, which is
difficult because of very few labeled data available for training. The new
model outperforms existing GCNN models on both data sets, suggesting that some
important three-dimensional geometric information is indeed captured by the new
model.
- Abstract(参考訳): 材料特性を正確に予測することは新しい材料の発見と設計に不可欠である。
機械学習技術は、大規模スクリーニングの可能性について、材料科学コミュニティで大きな注目を集めている。
機械学習の手法の中で、グラフ畳み込みニューラルネットワーク(GCNN)は3D構造データを記述する際の柔軟性と有効性から、最も成功したものの一つである。
既存のGCNNモデルはトポロジカル構造に重点を置いているが、三次元幾何学構造を過度に単純化している。
物質科学では、原子の3次元空間分布は原子の状態と原子間力を決定するために重要である。
本稿では, 近接する全ての原子間の相互作用を3次元空間で同時にモデル化する新しい畳み込み型適応GCNNを提案する。
このモデルを,物質特性の予測における2つの難解な問題に適用する。
第一にヘンリーの金属有機フレームワーク(MOF)へのガス吸着定数は、原子配置に対する高い感度のため、非常に難しい。
2つ目は固体結晶材料のイオン伝導率であり、これはトレーニングに利用可能なラベル付きデータが少ないため難しい。
この新しいモデルは、両方のデータセット上で既存のGCNNモデルよりも優れており、重要な3次元幾何学的情報が実際に新しいモデルによって捕捉されていることを示唆している。
関連論文リスト
- Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。
本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
論文 参考訳(メタデータ) (2024-07-11T09:04:12Z) - A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。
Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。
本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文 参考訳(メタデータ) (2023-12-12T18:44:19Z) - Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。
3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。
提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文 参考訳(メタデータ) (2023-06-13T14:43:13Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - Machine-learning accelerated identification of exfoliable
two-dimensional materials [0.0]
2次元(2D)材料は、様々な特性を持つため、最近の研究の中心となっている。
バルク3次元(3D)材料が弱い結合エネルギーで保持された層によって形成される場合、正確かつ効率的に識別できることが重要である。
我々は、高速な幾何学的スクリーニングと組み合わせて、潜在的に剥離可能な材料を効率的に識別できる機械学習(ML)アプローチを開発した。
論文 参考訳(メタデータ) (2022-07-18T14:48:53Z) - Formula graph self-attention network for representation-domain
independent materials discovery [3.67735033631952]
本稿では,理論のみと構造に基づく材料記述子の両方を統一する公式グラフの新たな概念を提案する。
本稿では,式グラフに類似した自己注意統合GNNを開発し,提案アーキテクチャが2つの領域間で伝達可能な材料埋め込みを生成することを示す。
我々のモデルは、構造に依存しない従来のGNNよりも大幅に優れています。
論文 参考訳(メタデータ) (2022-01-14T19:49:45Z) - 3D Infomax improves GNNs for Molecular Property Prediction [1.9703625025720701]
本稿では,2次元分子グラフのみに与えられる分子の幾何学をモデル化するための事前学習モデルを提案する。
我々は,3次元事前学習が幅広い特性に対して大きな改善をもたらすことを示す。
論文 参考訳(メタデータ) (2021-10-08T13:30:49Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z) - Orbital Graph Convolutional Neural Network for Material Property
Prediction [0.0]
本稿では,結晶グラフ畳み込みニューラルネットワークフレームワークであるOrbital Graph Convolutional Neural Network (OGCNN)を提案する。
OGCNNには、材料特性を堅牢な方法で学習する原子軌道相互作用機能が含まれている。
本研究では, このモデルの性能について, 様々な特性を予測するために, 広範囲の結晶材料データを用いて検討した。
論文 参考訳(メタデータ) (2020-08-14T15:22:22Z) - 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)
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。