Fugu-MT 論文翻訳(概要): Molecular modeling with machine-learned universal potential functions

論文の概要: Molecular modeling with machine-learned universal potential functions

arxiv url: http://arxiv.org/abs/2103.04162v1
Date: Sat, 6 Mar 2021 17:36:39 GMT
ステータス: 処理完了
システム内更新日: 2021-03-09 15:15:40.759717
Title: Molecular modeling with machine-learned universal potential functions
Title（参考訳）: 機械学習普遍ポテンシャル関数を用いた分子モデリング
Authors: Ke Liu, Zekun Ni, Zhenyu Zhou, Suocheng Tan, Xun Zou, Haoming Xing, Xiangyan Sun, Qi Han, Junqiu Wu and Jie Fan
Abstract要約: ニューラルネットワークは、エネルギーポテンシャル関数のための普遍近似器の訓練に利用できることを示す。大規模結晶構造において,滑らかで微分可能で予測可能なポテンシャル関数を訓練することができた。
参考スコア（独自算出の注目度）: 15.138489177130511
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Molecular modeling is an important topic in drug discovery. Decades of research have led to the development of high quality scalable molecular force fields. In this paper, we show that neural networks can be used to train an universal approximator for energy potential functions. By incorporating a fully automated training process we have been able to train smooth, differentiable, and predictive potential functions on large scale crystal structures. A variety of tests have also performed to show the superiority and versatility of the machine-learned model.
Abstract（参考訳）: 分子モデリングは創薬において重要なトピックである。研究の数十年は、高品質でスケーラブルな分子力場の開発につながった。本稿では,ニューラルネットワークを用いてエネルギーポテンシャル関数の普遍近似子を訓練できることを示した。完全に自動化されたトレーニングプロセスを組み込むことで、大規模結晶構造に滑らかで差別化可能で予測可能な電位関数を訓練することができました。機械駆動モデルの優越性と汎用性を示すために、様々な試験も行われている。

関連論文リスト

Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文参考訳（メタデータ） (2024-11-03T01:56:15Z)
Generative Modeling of Molecular Dynamics Trajectories [12.255021091552441]
データからMDの柔軟なマルチタスクサロゲートモデルを学ぶためのパラダイムとして,分子軌道の生成モデルを提案する。このような生成モデルは,前方シミュレーションや遷移経路サンプリング,軌道上アップサンプリングといった多様なタスクに適応可能であることを示す。
論文参考訳（メタデータ） (2024-09-26T13:02:28Z)
Machine Learning Potentials: A Roadmap Toward Next-Generation Biomolecular Simulations [4.169915659794567]
機械学習のポテンシャルは、量子化学から粗い粒度のモデルまで、スケールにわたる分子シミュレーションのための革命的で統一的なフレームワークを提供する。化学生物学および関連分野におけるその変革の可能性を完全に実現するために対処しなければならない重要な課題について論じる。
論文参考訳（メタデータ） (2024-08-17T07:53:33Z)
UniIF: Unified Molecule Inverse Folding [67.60267592514381]
全分子の逆折り畳みのための統一モデルUniIFを提案する。提案手法は,全タスクにおける最先端手法を超越した手法である。
論文参考訳（メタデータ） (2024-05-29T10:26:16Z)
Chaining thoughts and LLMs to learn DNA structural biophysics [6.164223149261533]
汎用的な大規模言語モデルであるchatGPT 3.5-turboは、DNAの構造的生理学を学ぶために微調整できることを示す。チェーン・オブ・シンクの応答を返すための微調整モデルとサブタスク用に微調整されたモデルの両方が、DNA配列とその構造を解析・設計する能力を持つことがわかった。
論文参考訳（メタデータ） (2024-03-02T22:38:01Z)
Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文参考訳（メタデータ） (2023-06-09T03:04:21Z)
MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。 MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文参考訳（メタデータ） (2022-12-20T19:32:30Z)
Gaussian Moments as Physically Inspired Molecular Descriptors for Accurate and Scalable Machine Learning Potentials [0.0]
本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
論文参考訳（メタデータ） (2021-09-15T16:46:46Z)
Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文参考訳（メタデータ） (2021-02-25T20:28:52Z)
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)
TorchMD: A deep learning framework for molecular simulations [0.0]
古典的および機械学習の混合ポテンシャルを持つ分子シミュレーションのためのフレームワークであるTorchMDを提示する。標準のamber全原子シミュレーションを用いて検証を行い、ab-initioポテンシャルを学習し、エンドツーエンドのトレーニングを行い、最後にタンパク質折り畳みのための粗粒モデルを学習しシミュレーションする。
論文参考訳（メタデータ） (2020-12-22T15:43:27Z)

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。