論文の概要: LiteGEM: Lite Geometry Enhanced Molecular Representation Learning for Quantum Property Prediction

• arxiv url: http://arxiv.org/abs/2106.14494v1
• Date: Mon, 28 Jun 2021 09:23:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 17:44:11.171134
• Title: LiteGEM: Lite Geometry Enhanced Molecular Representation Learning for Quantum Property Prediction
• Title（参考訳）: litegem: lite geometry enhanced molecular representation learning for quantum property prediction
• Authors: Shanzhuo Zhang, Lihang Liu, Sheng Gao, Donglong He, Xiaomin Fang, Weibin Li, Zhengjie Huang, Weiyue Su, Wenjin Wang
• Abstract要約: 我々は,分子のHOMO-LUMOギャップを予測する大規模量子化学データセットであるKDD Cup 2021-PCQM4M-LSCを提案する。 LiteGEMは、ディープグラフニューラルネットワークと様々な自己教師型学習タスクの助けを借りて、テストセットの平均絶対誤差0.1204を達成する。
• 参考スコア（独自算出の注目度）: 10.828237629846871
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this report, we (SuperHelix team) present our solution to KDD Cup 2021-PCQM4M-LSC, a large-scale quantum chemistry dataset on predicting HOMO-LUMO gap of molecules. Our solution, Lite Geometry Enhanced Molecular representation learning (LiteGEM) achieves a mean absolute error (MAE) of 0.1204 on the test set with the help of deep graph neural networks and various self-supervised learning tasks. The code of the framework can be found in https://github.com/PaddlePaddle/PaddleHelix/tree/dev/competition/kddcup2021-PCQM4M-LSC/.
• Abstract（参考訳）: 本稿では,分子のHOMO-LUMOギャップを予測するための大規模量子化学データセットであるKDD Cup 2021-PCQM4M-LSCを提案する。 我々の解であるLite Geometry Enhanced Molecular representation learning (LiteGEM)は、ディープグラフニューラルネットワークと様々な自己教師型学習タスクの助けを借りて、テストセットの平均絶対誤差0.1204を達成する。 フレームワークのコードはhttps://github.com/paddlepaddle/paddlehelix/tree/dev/competition/kddcup2021-pcqm4m-lsc/にある。

関連論文リスト

• 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)
• Multiresolution Graph Transformers and Wavelet Positional Encoding for Learning Hierarchical Structures [6.875312133832078]
  複数のスケールで大きな分子を表現できる最初のグラフトランスアーキテクチャであるMulti resolution Graph Transformer (MGT)を提案する。 MGTは原子の表現を学習し、それらを有意義な官能基または繰り返し単位に分類することができる。 提案モデルでは, 高分子とペプチドからなるマクロ分子データセットと, 薬物様分子データセットの2つの結果を得た。
  論文  参考訳（メタデータ） (2023-02-17T01:32:44Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Direct Molecular Conformation Generation [217.4815525740703]
  本稿では,原子の座標を直接予測する手法を提案する。 提案手法は,4つの公開ベンチマークの最先端結果を実現する。
  論文  参考訳（メタデータ） (2022-02-03T01:01:58Z)
• 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)
• 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)
• 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)
• Fast Quantum Property Prediction via Deeper 2D and 3D Graph Networks [41.727588601578155]
  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。
  論文  参考訳（メタデータ） (2021-06-16T05:07:28Z)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)

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。