論文の概要: Molecular Design Based on Artificial Neural Networks, Integer
Programming and Grid Neighbor Search
- arxiv url: http://arxiv.org/abs/2108.10266v1
- Date: Mon, 23 Aug 2021 16:10:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-24 17:21:40.805951
- Title: Molecular Design Based on Artificial Neural Networks, Integer
Programming and Grid Neighbor Search
- Title(参考訳): ニューラルネットワーク, 整数計画, グリッド近傍探索に基づく分子設計
- Authors: Naveed Ahmed Azam, Jianshen Zhu, Kazuya Haraguchi, Liang Zhao, Hiroshi
Nagamochi and Tatsuya Akutsu
- Abstract要約: 本稿では,混合整数線形プログラムの他の実現可能な解を生成する手法を提案する。
計算実験の結果,提案手法は, 最大50個の非水素原子を持つ新しい化学グラフを生成できることが示唆された。
- 参考スコア(独自算出の注目度): 6.519339570726759
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A novel framework has recently been proposed for designing the molecular
structure of chemical compounds with a desired chemical property using both
artificial neural networks and mixed integer linear programming. In the
framework, a chemical graph with a target chemical value is inferred as a
feasible solution of a mixed integer linear program that represents a
prediction function and other requirements on the structure of graphs. In this
paper, we propose a procedure for generating other feasible solutions of the
mixed integer linear program by searching the neighbor of output chemical graph
in a search space. The procedure is combined in the framework as a new building
block. The results of our computational experiments suggest that the proposed
method can generate an additional number of new chemical graphs with up to 50
non-hydrogen atoms.
- Abstract(参考訳): 近年, 人工ニューラルネットワークと混合整数線形計画法を用いて, 望ましい化学特性を持つ化合物の分子構造を設計するための新しい枠組みが提案されている。
本フレームワークでは、予測関数およびグラフの構造に関するその他の要件を表す混合整数線形プログラムの実現可能な解として、目的とする化学値の化学グラフを推定する。
本稿では,探索空間における出力化学グラフの近傍を探索することにより,混合整数線形プログラムの他の実現可能な解を生成する手法を提案する。
この手順はフレームワークに新しいビルディングブロックとして組み込まれている。
計算実験の結果,提案手法は, 最大50個の非水素原子を持つ新しい化学グラフを生成できることが示唆された。
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) - MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
化学構造を視覚的に認識するためにMolGrapherを導入する。
すべての候補原子と結合をノードとして扱い、それらをグラフ化する。
グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
論文 参考訳(メタデータ) (2023-08-23T16:16:11Z) - Molecular Design Based on Integer Programming and Quadratic Descriptors
in a Two-layered Model [5.845754795753478]
混合整数線形プログラム(MILP)を解くことにより、所望の化学グラフを推論する。
特徴関数におけるグラフ理論記述子の集合は、そのようなMILPのコンパクトな定式化を導出するために重要な役割を果たす。
計算実験の結果,提案手法は最大50個の非水素原子を持つ化学構造を推定可能であることが示唆された。
論文 参考訳(メタデータ) (2022-09-13T08:27:25Z) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳(メタデータ) (2022-08-23T17:01:16Z) - Molecular graph generation with Graph Neural Networks [2.7393821783237184]
MG2N2と呼ばれる一連のグラフニューラルネットワークモジュールに基づくシーケンシャルな分子グラフジェネレーターを紹介します。
我々のモデルは、過度に適合することなく、トレーニング段階で見られる分子パターンを一般化することができる。
論文 参考訳(メタデータ) (2020-12-14T10:32:57Z) - Graph Neural Networks for the Prediction of Substrate-Specific Organic
Reaction Conditions [79.45090959869124]
有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。
実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
論文 参考訳(メタデータ) (2020-07-08T17:21:00Z) - Molecule Edit Graph Attention Network: Modeling Chemical Reactions as
Sequences of Graph Edits [0.0]
本稿では,エンド・ツー・エンドのエンコーダ・デコーダ・ニューラルモデルであるMEGAN(Moecule Edit Graph Attention Network)を提案する。
MEGANは、化学反応をグラフ編集のシーケンスとして表現するモデルにインスパイアされている。
我々は、このモデルを再合成予測(化学反応の産物から得られる基質を予測する)に拡張し、大規模なデータセットにスケールアップする。
論文 参考訳(メタデータ) (2020-06-27T18:50:24Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z) - Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。
本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2020-01-06T05:36:57Z)
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。