論文の概要: Heterogeneous relational message passing networks for molecular dynamics simulations

• arxiv url: http://arxiv.org/abs/2109.00711v1
• Date: Thu, 2 Sep 2021 05:04:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-03 13:44:30.937720
• Title: Heterogeneous relational message passing networks for molecular dynamics simulations
• Title（参考訳）: 分子動力学シミュレーションのためのヘテロジニアスメッセージパッシングネットワーク
• Authors: Zun Wang, Chong Wang, Sibo Zhao, Yong Xu, Shaogang Hao, Chang Yu Hsieh, Bing-Lin Gu and Wenhui Duan
• Abstract要約: 本稿では,エンドツーエンドのヘテロジニアスグラフニューラルネットワークであるHermNetを提案し,複数の相互作用を1つのモデルで効率的に表現する。 HermNetは、分子と拡張システムの両方において、多くのトップパフォーマンスモデルに対して素晴らしいパフォーマンスを発揮する。
• 参考スコア（独自算出の注目度）: 10.30351315399729
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With many frameworks based on message passing neural networks proposed to predict molecular and bulk properties, machine learning methods have tremendously shifted the paradigms of computational sciences underpinning physics, material science, chemistry, and biology. While existing machine learning models have yielded superior performances in many occasions, most of them model and process molecular systems in terms of homogeneous graph, which severely limits the expressive power for representing diverse interactions. In practice, graph data with multiple node and edge types is ubiquitous and more appropriate for molecular systems. Thus, we propose the heterogeneous relational message passing network (HermNet), an end-to-end heterogeneous graph neural networks, to efficiently express multiple interactions in a single model with {\it ab initio} accuracy. HermNet performs impressively against many top-performing models on both molecular and extended systems. Specifically, HermNet outperforms other tested models in nearly 75\%, 83\% and 94\% of tasks on MD17, QM9 and extended systems datasets, respectively. Finally, we elucidate how the design of HermNet is compatible with quantum mechanics from the perspective of the density functional theory. Besides, HermNet is a universal framework, whose sub-networks could be replaced by other advanced models.
• Abstract（参考訳）: 分子特性とバルク特性を予測するために提案されたメッセージパッシングニューラルネットワークに基づく多くのフレームワークにより、機械学習手法は物理学、物質科学、化学、生物学を支える計算科学のパラダイムを大きく変えた。 既存の機械学習モデルは、しばしば優れた性能を得るが、そのほとんどは、多種多様な相互作用を表現するための表現力を大幅に制限する均質なグラフで分子システムをモデル化し、処理している。 実際には、複数のノードとエッジタイプを持つグラフデータはユビキタスであり、分子システムに適している。 そこで本稿では, エンドツーエンドのヘテロジニアスグラフニューラルネットワークであるヘムネット(HermNet)を提案する。 HermNetは、分子と拡張システムの両方において、多くのトップパフォーマンスモデルに対して素晴らしいパフォーマンスを発揮する。 具体的には、hermnetは、md17、qm9、拡張システムデータセットの75\%、83\%、94\%のタスクで、他のテストモデルよりも優れています。 最後に、密度汎関数論の観点からhermnetの設計が量子力学とどのように適合するかを解明する。 さらに、hermnetはユニバーサルフレームワークであり、サブネットワークを他の高度なモデルに置き換えることができる。

関連論文リスト

• Bond Graphs for multi-physics informed Neural Networks for multi-variate time series [6.775534755081169]
  既存の手法は複雑な多分野・多領域現象のタスクには適用されない。 タスク固有モデルに入力可能な多物理インフォームド表現を生成するニューラルボンドグラフ(NBgE)を提案する。
  論文  参考訳（メタデータ） (2024-05-22T12:30:25Z)
• MAgNET: A Graph U-Net Architecture for Mesh-Based Simulations [0.5185522256407782]
  我々は、任意のグラフ構造化データに対応するために、よく知られた畳み込みニューラルネットワークを拡張するMagNETを提案する。 固体の力学における非線形有限要素シミュレーションのサロゲートモデリングにおけるMAgNETの予測能力を示す。
  論文  参考訳（メタデータ） (2022-11-01T19:23:45Z)
• ViSNet: an equivariant geometry-enhanced graph neural network with vector-scalar interactive message passing for molecules [69.05950120497221]
  本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。 提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
  論文  参考訳（メタデータ） (2022-10-29T07:12:46Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• GemNet: Universal Directional Graph Neural Networks for Molecules [7.484063729015126]
  有向エッジ埋め込みと2ホップメッセージパッシングを備えたGNNは、予測の普遍的近似器であることを示す。 次にこれらの洞察と複数の構造的改善を活用して、幾何学的メッセージパッシングニューラルネットワーク(GemNet)を提案する。
  論文  参考訳（メタデータ） (2021-06-02T15:44:55Z)
• Molecular Mechanics-Driven Graph Neural Network with Multiplex Graph for Molecular Structures [20.276492931562036]
  この課題に対処するために、グラフニューラルネットワーク(GNN)の数が増えている。 本研究では,分子構造に対して強力かつ効率の良いGNNを設計することを目的とする。 多重分子グラフニューラルネットワーク(MXMNet)の構築
  論文  参考訳（メタデータ） (2020-11-15T05:55:15Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。