論文の概要: An Extendible, Graph-Neural-Network-Based Approach for Accurate Force Field Development of Large Flexible Organic Molecules

• arxiv url: http://arxiv.org/abs/2106.00927v1
• Date: Wed, 2 Jun 2021 04:12:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-04 06:48:01.398911
• Title: An Extendible, Graph-Neural-Network-Based Approach for Accurate Force Field Development of Large Flexible Organic Molecules
• Title（参考訳）: 拡張性、グラフニューラルネットワークに基づく大規模柔軟有機分子の精密力場開発
• Authors: Xufei Wang, Yuanda Xu, Han Zheng, Kuang Yu
• Abstract要約: 我々はCWレベルの精度で大きなフレキシブル有機分子に対する伸縮性ab initio力場を開発する。 ポリエチレングリコールポリマー鎖の試験により, 異なる大きさの分子に対して, 我々の戦略は極めて正確かつ堅牢であることが判明した。
• 参考スコア（独自算出の注目度）: 4.456834955307613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An accurate force field is the key to the success of all molecular mechanics simulations on organic polymers and biomolecules. Accuracy beyond density functional theory is often needed to describe the intermolecular interactions, while most correlated wavefunction (CW) methods are prohibitively expensive for large molecules. Therefore, it posts a great challenge to develop an extendible ab initio force field for large flexible organic molecules at CW level of accuracy. In this work, we face this challenge by combining the physics-driven nonbonding potential with a data-driven subgraph neural network bonding model (named sGNN). Tests on polyethylene glycol polymer chains show that our strategy is highly accurate and robust for molecules of different sizes. Therefore, we can develop the force field from small molecular fragments (with sizes easily accessible to CW methods) and safely transfer it to large polymers, thus opening a new path to the next-generation organic force fields.
• Abstract（参考訳）: 正確な力場は、有機高分子と生体分子の全ての分子力学シミュレーションの成功の鍵である。 密度汎関数理論を超える精度は分子間相互作用を記述するためにしばしば必要であるが、ほとんどの相関波動関数 (CW) 法は大きな分子では違法に高価である。 したがって、CWレベルの精度で大きなフレキシブルな有機分子のための拡張可能なab initio力場を開発することが大きな課題である。 本研究では,物理駆動非結合ポテンシャルとデータ駆動サブグラフニューラルネットワーク結合モデル(sgnn)を組み合わせることで,この課題に対処した。 ポリエチレングリコールポリマー鎖の試験により, 異なる大きさの分子に対して高い精度とロバスト性が得られた。 したがって、小さな分子断片(CW法に容易にアクセス可能なサイズ)から力場を開発し、それを大きなポリマーに安全に移動させることで、次世代の有機力場への新たな経路を開拓することができる。

関連論文リスト

• 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)
• Machine-learned molecular mechanics force field for the simulation of protein-ligand systems and beyond [33.54862439531144]
  生体分子シミュレーションとコンピュータ支援薬物設計には, 信頼性および分子力学(MM)力場の開発が不可欠である。 本稿では、一般化された機械学習型MM力場、ttexttespaloma-0.3、およびグラフニューラルネットワークを用いたエンドツーエンドの微分可能なフレームワークを紹介する。 力場は、小さな分子、ペプチド、核酸を含む薬物発見に非常に関係した化学ドメインの量子化学エネルギー特性を再現する。
  論文  参考訳（メタデータ） (2023-07-13T23:00:22Z)
• 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)
• Engineering long-range molecular potentials by external drive [0.0]
  我々は原子間距離が大きい分子ポテンシャルの工学を報告する。 分子状態は、共鳴外光カップリングによって、高励起で長距離のリドベルク分子ポテンシャルに生成される。 この結果は、超低温の基底状態原子間の長距離分子を創出する多くの可能性を開く。
  論文  参考訳（メタデータ） (2023-03-14T09:01:19Z)
• Two for One: Diffusion Models and Force Fields for Coarse-Grained Molecular Dynamics [15.660348943139711]
  我々は、スコアベース生成モデル、力場、分子動力学の接続を利用して、トレーニング中に力入力を必要とせずにCG力場を学習する。 従来よりも大幅に簡易化されたトレーニングセットアップを持つ一方で,本手法がいくつかの小～中規模のタンパク質シミュレーションの性能向上につながることを実証した。
  論文  参考訳（メタデータ） (2023-02-01T17:09:46Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
  分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。 様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
  論文  参考訳（メタデータ） (2022-02-01T18:54:24Z)
• End-to-End Differentiable Molecular Mechanics Force Field Construction [0.5269923665485903]
  化学環境を知覚するためにグラフニューラルネットワークを用いる別のアプローチを提案する。 プロセス全体がモジュール化されており、モデルパラメータに関してエンドツーエンドの差別化が可能である。 本手法は, 従来の原子型を再現するだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
  論文  参考訳（メタデータ） (2020-10-02T20:59:46Z)
• Coarse Graining Molecular Dynamics with Graph Neural Networks [3.0279361008741827]
  本稿では,粗大な力場の機械学習のためのハイブリッドアーキテクチャを導入し,サブネットワークを介してそれぞれの特徴を学習する。 この枠組みは, 生体分子系における熱力学の再現に有効であることを示す。
  論文  参考訳（メタデータ） (2020-07-22T13:20:08Z)
• Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
  分子表現学習のための新しいフレームワークGROVERを提案する。 GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。 分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
  論文  参考訳（メタデータ） (2020-06-18T08:37:04Z)

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。