論文の概要: Fast Quantum Property Prediction via Deeper 2D and 3D Graph Networks

• arxiv url: http://arxiv.org/abs/2106.08551v1
• Date: Wed, 16 Jun 2021 05:07:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-17 17:18:09.164217
• Title: Fast Quantum Property Prediction via Deeper 2D and 3D Graph Networks
• Title（参考訳）: 深い2次元および3次元グラフネットワークによる高速量子特性予測
• Authors: Meng Liu, Cong Fu, Xuan Zhang, Limei Wang, Yaochen Xie, Hao Yuan, Youzhi Luo, Zhao Xu, Shenglong Xu, and Shuiwang Ji
• Abstract要約: 2次元分子グラフから直接学習することで量子特性を予測するディープグラフニューラルネットワークを設計する。 また,ローコスター集合から学習する3次元グラフニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 41.727588601578155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular property prediction is gaining increasing attention due to its diverse applications. One task of particular interests and importance is to predict quantum chemical properties without 3D equilibrium structures. This is practically favorable since obtaining 3D equilibrium structures requires extremely expensive calculations. In this work, we design a deep graph neural network to predict quantum properties by directly learning from 2D molecular graphs. In addition, we propose a 3D graph neural network to learn from low-cost conformer sets, which can be obtained with open-source tools using an affordable budget. We employ our methods to participate in the 2021 KDD Cup on OGB Large-Scale Challenge (OGB-LSC), which aims to predict the HOMO-LUMO energy gap of molecules. Final evaluation results reveal that we are one of the winners with a mean absolute error of 0.1235 on the holdout test set. Our implementation is available as part of the MoleculeX package (https://github.com/divelab/MoleculeX).
• Abstract（参考訳）: 分子特性予測はその多様な応用によって注目を集めている。 特定の関心と重要性の1つの課題は、3次元平衡構造なしで量子化学特性を予測することである。 これは3次元平衡構造を得るには極めて高価な計算が必要であるため、実質的に有利である。 本研究では,2次元分子グラフから直接学習することで,量子特性を予測するディープグラフニューラルネットワークを設計する。 さらに,低価格なコンフォーメータセットから学ぶための3次元グラフニューラルネットワークを提案する。 我々は2021 kdd cup on ogb large-scale challenge (ogb-lsc) に参加するために,分子のホモ・ルーモエネルギーギャップの予測を目的とした手法を用いる。 最終評価結果から,我々はホールドアウトテストセットの平均絶対誤差0.1235の勝者であることがわかった。 私たちの実装はMoeculeXパッケージ(https://github.com/divelab/MoleculeX)の一部として利用可能です。

関連論文リスト

• 3D-QAE: Fully Quantum Auto-Encoding of 3D Point Clouds [71.39129855825402]
  既存の3D表現の学習方法は、古典的なハードウェアでトレーニングされ、テストされるディープニューラルネットワークである。 本稿では3次元点雲のための最初の量子オートエンコーダを紹介する。
  論文  参考訳（メタデータ） (2023-11-09T18:58:33Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• 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)
• 3D Molecular Geometry Analysis with 2D Graphs [79.47097907673877]
  分子の基底状態3次元ジオメトリは多くの分子解析タスクに必須である。 現代の量子力学的手法は正確な3次元幾何学を計算できるが、計算は禁じられている。 分子グラフから3次元幾何学を予測するための新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-01T19:00:46Z)
• Efficient and Accurate Physics-aware Multiplex Graph Neural Networks for 3D Small Molecules and Macromolecule Complexes [19.268713909099507]
  本研究では,3次元分子の表現を効率的に学習するための物理対応多重グラフニューラルネットワーク(PaxNet)を提案する。 PaxNetは、分子力学にインスパイアされた局所的および非局所的な相互作用のモデリングを分離する。 また、各原子の関連ベクトルを学習することでベクトル特性を予測できる。
  論文  参考訳（メタデータ） (2022-06-06T00:28:37Z)
• 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)
• Molecule3D: A Benchmark for Predicting 3D Geometries from Molecular Graphs [79.06686274377009]
  我々は、約400万分子の正確な基底状態のジオメトリーを持つデータセットを含むMolecule3Dと呼ばれるベンチマークを開発する。 我々は3次元空間における原子と原子の対距離を予測する2つのベースライン法を実装した。 本手法は予測精度に匹敵する精度を達成できるが,計算コストははるかに小さい。
  論文  参考訳（メタデータ） (2021-09-30T22:09:28Z)
• On Graph Neural Network Ensembles for Large-Scale Molecular Property Prediction [0.0]
  PCQM4M-LSCデータセットは、約3.8Mグラフ上の分子HOMO-LUMO特性予測タスクを定義する。 3つのグラフニューラルネットワークモデルのアンサンブルを構築する、現行のワーク・イン・プログレス・ソリューションを紹介します。
  論文  参考訳（メタデータ） (2021-06-29T15:58:34Z)
• Directed Graph Attention Neural Network Utilizing 3D Coordinates for Molecular Property Prediction [11.726245297344418]
  カーネル法とグラフニューラルネットワークは、プロパティ予測の2つの主流手法として広く研究されている。 この研究では、化学結合のみをエッジとして扱うDirected Graph Attention Neural Network(DGANN)に光を当てた。 我々のモデルは、QM9データセット上で、ほとんどのベースライングラフニューラルネットワークにマッチするか、より優れています。
  論文  参考訳（メタデータ） (2020-12-01T11:06:40Z)

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。