Fugu-MT 論文翻訳(概要): Graph-Convolutional Deep Learning to Identify Optimized Molecular Configurations

論文の概要: Graph-Convolutional Deep Learning to Identify Optimized Molecular Configurations

arxiv url: http://arxiv.org/abs/2108.09637v1
Date: Sun, 22 Aug 2021 05:09:27 GMT
ステータス: 処理完了
システム内更新日: 2021-08-24 15:19:55.313298
Title: Graph-Convolutional Deep Learning to Identify Optimized Molecular Configurations
Title（参考訳）: グラフ畳み込み深層学習による最適化分子構成の同定
Authors: Eshan Joshi, Samuel Somuyiwa, and Hossein Z. Jooya
Abstract要約: 我々は,QM7-Xデータセットで提供される平衡構造と非平衡構造を用いて,分子構造を分類するグラフ畳み込み法を実装した。 2つの異なるグラフプーリング層を用いて結果を実証し、それぞれの性能を比較する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Tackling molecular optimization problems using conventional computational methods is challenging, because the determination of the optimized configuration is known to be an NP-hard problem. Recently, there has been increasing interest in applying different deep-learning techniques to benchmark molecular optimization tasks. In this work, we implement a graph-convolutional method to classify molecular structures using the equilibrium and non-equilibrium configurations provided in the QM7-X data set. Atomic forces are encoded in graph vertices and the substantial suppression in the total force magnitude on the atoms in the optimized structure is learned for the graph classification task. We demonstrate the results using two different graph pooling layers and compare their respective performances.
Abstract（参考訳）: 従来の計算手法を用いて分子最適化問題に取り組むことは、最適化された構成の決定がNPハード問題であることが知られているため困難である。近年,分子最適化タスクのベンチマークに異なるディープラーニング技術を適用することへの関心が高まっている。本研究では,qm7-xデータセットで提供される平衡および非平衡配置を用いて分子構造を分類するグラフ畳み込み法を実装した。原子間力はグラフ頂点に符号化され、最適化された構造における原子全体の力の大きさの実質的な抑制がグラフ分類タスクで学習される。 2つの異なるグラフプーリング層を用いて結果を示し,それぞれの性能を比較する。

関連論文リスト

GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
論文参考訳（メタデータ） (2024-11-03T19:45:15Z)
Automorphism-Assisted Quantum Approximate Optimization Algorithm for efficient graph optimization [0.0]
我々は、グラフ自己同型を識別するために、Nautyパッケージを使用し、エッジ同値クラスを決定することに重点を置いている。これらの対称性を利用することで、ハミルトニアンの複雑性を著しく低減することができる。この結果から, 自己同型に基づく対称性を用いて, 得られた解の質を損なうことなく, 計算オーバーヘッドを著しく低減できることが示唆された。
論文参考訳（メタデータ） (2024-10-29T17:10:25Z)
Convergence Guarantees for the DeepWalk Embedding on Block Models [9.898607871253775]
ブロックモデル(SBM)から得られたグラフ上でDeepWalkアルゴリズムの使い方を示す。単純化されているにもかかわらず、SBMは大きなグラフ上のアルゴリズムを解析するための古典的なモデルであることが証明されている。
論文参考訳（メタデータ） (2024-10-26T18:35:11Z)
Isotropic Gaussian Processes on Finite Spaces of Graphs [71.26737403006778]
種々の非重み付きグラフの集合上でガウス過程の先行を定義するための原理的手法を提案する。さらに、未重み付きグラフの同値類の集合を検討し、それに対する事前の適切なバージョンを定義する。化学の応用に触発されて、我々は、小データ構造における実際の分子特性予測タスクについて、提案手法を解説した。
論文参考訳（メタデータ） (2022-11-03T10:18:17Z)
Molecular Graph Generation via Geometric Scattering [7.796917261490019]
グラフニューラルネットワーク(GNN)は、薬物の設計と発見の問題を解決するために広く使われている。分子グラフ生成における表現第一のアプローチを提案する。我々のアーキテクチャは、医薬品のデータセットの有意義な表現を学習し、目標指向の薬物合成のためのプラットフォームを提供する。
論文参考訳（メタデータ） (2021-10-12T18:00:23Z)
GraphPiece: Efficiently Generating High-Quality Molecular Graph with Substructures [7.021635649909492]
分子グラフからエムグラフと呼ばれる共通部分構造を自動的に発見する手法を提案する。グラフの断片に基づいて,変分オートエンコーダを用いて2つの相の分子を生成する。
論文参考訳（メタデータ） (2021-06-29T05:26:18Z)
DAGs with No Curl: An Efficient DAG Structure Learning Approach [62.885572432958504]
近年のDAG構造学習は連続的な非巡回性制約を伴う制約付き連続最適化問題として定式化されている。本稿では,DAG空間の重み付き隣接行列を直接モデル化し,学習するための新しい学習フレームワークを提案する。本手法は, 線形および一般化された構造方程式モデルにおいて, ベースラインDAG構造学習法よりも精度が高いが, 効率がよいことを示す。
論文参考訳（メタデータ） (2021-06-14T07:11:36Z)
A Bi-Level Framework for Learning to Solve Combinatorial Optimization on Graphs [91.07247251502564]
本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
論文参考訳（メタデータ） (2021-06-09T09:18:18Z)
Reinforced Molecular Optimization with Neighborhood-Controlled Grammars [63.84003497770347]
分子最適化のためのグラフ畳み込みポリシネットワークであるMNCE-RLを提案する。我々は、元の近傍制御された埋め込み文法を拡張して、分子グラフ生成に適用する。提案手法は, 分子最適化タスクの多種多様さにおいて, 最先端性能を実現する。
論文参考訳（メタデータ） (2020-11-14T05:42:15Z)
Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文参考訳（メタデータ） (2020-10-29T09:58:02Z)
Graph Polish: A Novel Graph Generation Paradigm for Molecular Optimization [7.1696593196695035]
本稿では,従来の「二言語翻訳」タスクから「単言語」タスクへ分子最適化を変換する新しい分子最適化パラダイムであるグラフポーランドを提案する。本稿では,最適化段階における長期的依存関係を捉えるために,効果的で効率的な学習フレームワークT&Sの研磨法を提案する。
論文参考訳（メタデータ） (2020-08-14T08:36:13Z)

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。