論文の概要: Gaussian Moments as Physically Inspired Molecular Descriptors for
Accurate and Scalable Machine Learning Potentials
- arxiv url: http://arxiv.org/abs/2109.07421v1
- Date: Wed, 15 Sep 2021 16:46:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 14:54:08.772094
- Title: Gaussian Moments as Physically Inspired Molecular Descriptors for
Accurate and Scalable Machine Learning Potentials
- Title（参考訳）: 正確でスケーラブルな機械学習ポテンシャルのための物理的にインスパイアされた分子記述子としてのガウスモーメント
- Authors: Viktor Zaverkin and Johannes K\"astner
- Abstract要約: 本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。
化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning techniques allow a direct mapping of atomic positions and
nuclear charges to the potential energy surface with almost ab-initio accuracy
and the computational efficiency of empirical potentials. In this work we
propose a machine learning method for constructing high-dimensional potential
energy surfaces based on feed-forward neural networks. As input to the neural
network we propose an extendable invariant local molecular descriptor
constructed from geometric moments. Their formulation via pairwise distance
vectors and tensor contractions allows a very efficient implementation on
graphical processing units (GPUs). The atomic species is encoded in the
molecular descriptor, which allows the restriction to one neural network for
the training of all atomic species in the data set. We demonstrate that the
accuracy of the developed approach in representing both chemical and
configurational spaces is comparable to the one of several established machine
learning models. Due to its high accuracy and efficiency, the proposed
machine-learned potentials can be used for any further tasks, for example the
optimization of molecular geometries, the calculation of rate constants or
molecular dynamics.
- Abstract（参考訳）: 機械学習技術により、原子位置と原子電荷をほぼ絶対精度と経験的ポテンシャルの計算効率でポテンシャルエネルギー面に直接マッピングすることができる。
本研究では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。
ニューラルネットワークへの入力として,幾何学的モーメントから構築した拡張可能な不変な局所分子ディスクリプタを提案する。
対距離ベクトルとテンソル収縮による定式化は、グラフィカル処理ユニット(GPU)に非常に効率的な実装を可能にする。
原子種は分子記述子にコード化され、データセット内の全ての原子種の訓練のために1つのニューラルネットワークに制限される。
化学空間と構成空間の両方を表す手法の精度は、いくつかの確立された機械学習モデルの1つに匹敵することを示した。
高い精度と効率のため、提案された機械学習ポテンシャルは、例えば、分子幾何の最適化、速度定数の計算、分子動力学など、任意のタスクに使用できる。
関連論文リスト
- Universal neural network potentials as descriptors: Towards scalable chemical property prediction using quantum and classical computers [0.0]
本稿では,化学特性予測のための汎用記述子として,普遍的ニューラルネットワークポテンシャルの中間情報を利用する汎用的アプローチを提案する。
本稿では,M3GNet や MACE などのグラフニューラルネットワークを用いた伝達学習が,NMR の化学シフトを予測するための最先端手法に匹敵する精度を実現することを示す。
論文 参考訳（メタデータ） (2024-02-28T15:57:22Z) - 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) - Reliable machine learning potentials based on artificial neural network
for graphene [2.115174610040722]
グラフェンの特別な2次元構造は、幅広い特異な材料特性を示すことができる。
分子動力学(MD)シミュレーションは、その特異な性質の微視的起源を理解するために広く採用されている。
人工ニューラルネットワークに基づく原子間ポテンシャルは、ポテンシャルエネルギー表面を表すためにグラフェンのために開発された。
論文 参考訳（メタデータ） (2023-06-12T17:12:08Z) - 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) - Molecular Geometry-aware Transformer for accurate 3D Atomic System
modeling [51.83761266429285]
本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。
MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
論文 参考訳（メタデータ） (2023-02-02T03:49:57Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳（メタデータ） (2021-06-08T14:17:59Z) - Solving the electronic Schr\"odinger equation for multiple nuclear
geometries with weight-sharing deep neural networks [4.1201966507589995]
本稿では,異なる分子ジオメトリに対するニューラルネットワークモデル最適化において,重み共有制約を導入する。
この手法は、同じ分子の核ジオメトリの集合を等級で考えることで最適化を加速することができる。
論文 参考訳（メタデータ） (2021-05-18T08:23:09Z) - Multi-task learning for electronic structure to predict and explore
molecular potential energy surfaces [39.228041052681526]
我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。
このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。
ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
論文 参考訳（メタデータ） (2020-11-05T06:48:46Z) - End-to-End Differentiable Molecular Mechanics Force Field Construction [0.5269923665485903]
化学環境を知覚するためにグラフニューラルネットワークを用いる別のアプローチを提案する。
プロセス全体がモジュール化されており、モデルパラメータに関してエンドツーエンドの差別化が可能である。
本手法は, 従来の原子型を再現するだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
論文 参考訳（メタデータ） (2020-10-02T20:59:46Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳（メタデータ） (2020-05-27T13:32:10Z)
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。