論文の概要: Two Wrongs Can Make a Right: A Transfer Learning Approach for Chemical
Discovery with Chemical Accuracy
- arxiv url: http://arxiv.org/abs/2201.04243v1
- Date: Tue, 11 Jan 2022 23:45:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-13 15:18:24.916005
- Title: Two Wrongs Can Make a Right: A Transfer Learning Approach for Chemical
Discovery with Chemical Accuracy
- Title(参考訳): 2つの誤りが正しい: 化学の精度による化学発見のための転移学習アプローチ
- Authors: Chenru Duan, Daniel B. K. Chu, Aditya Nandy, and Heather J. Kulik
- Abstract要約: 仮想高スループットスクリーニング(VHTS)における高データ忠実性の実現にはMR特性が不可欠である
我々は1万以上の遷移金属錯体(TMC)のMR診断を評価し,有機分子と比較した。
我々は、CCSD(T)レベルのアダイバティック$Delta E_mathrmH-L$とIPを低い理論レベルから直接予測するために、転送学習モデルを構築した。
- 参考スコア(独自算出の注目度): 0.4306143768014156
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Appropriately identifying and treating molecules and materials with
significant multi-reference (MR) character is crucial for achieving high data
fidelity in virtual high throughput screening (VHTS). Nevertheless, most VHTS
is carried out with approximate density functional theory (DFT) using a single
functional. Despite development of numerous MR diagnostics, the extent to which
a single value of such a diagnostic indicates MR effect on chemical property
prediction is not well established. We evaluate MR diagnostics of over 10,000
transition metal complexes (TMCs) and compare to those in organic molecules. We
reveal that only some MR diagnostics are transferable across these materials
spaces. By studying the influence of MR character on chemical properties (i.e.,
MR effect) that involves multiple potential energy surfaces (i.e., adiabatic
spin splitting, $\Delta E_\mathrm{H-L}$, and ionization potential, IP), we
observe that cancellation in MR effect outweighs accumulation. Differences in
MR character are more important than the total degree of MR character in
predicting MR effect in property prediction. Motivated by this observation, we
build transfer learning models to directly predict CCSD(T)-level adiabatic
$\Delta E_\mathrm{H-L}$ and IP from lower levels of theory. By combining these
models with uncertainty quantification and multi-level modeling, we introduce a
multi-pronged strategy that accelerates data acquisition by at least a factor
of three while achieving chemical accuracy (i.e., 1 kcal/mol) for robust VHTS.
- Abstract(参考訳): 仮想高スループットスクリーニング(VHTS)において,MR特性を有する分子や材料を適切に同定・処理することが,高データの忠実性を実現する上で重要である。
しかしながら、ほとんどのVHTSは1つの関数を使って近似密度汎関数理論(DFT)を用いて実行される。
多くのMR診断が開発されているにもかかわらず、そのような診断の単一値が化学特性予測に対するMR効果を示す範囲は十分に確立されていない。
我々は1万以上の遷移金属錯体(TMC)のMR診断を評価し,有機分子と比較した。
MR診断は,これらの材料空間間でのみ行うことができる。
mr特性が複数のポテンシャルエネルギー面(すなわち、断熱スピン分割、$\delta e_\mathrm{h-l}$、イオン化ポテンシャル、ip)を含む化学的性質(すなわちmr効果)に与える影響を調べることにより、mr効果のキャンセルが蓄積よりも優れていることを観察する。
MR特性の差は特性予測におけるMR効果の予測においてMR特性の総程度よりも重要である。
この観測により、我々は、CCSD(T)レベルのアダイバティック$\Delta E_\mathrm{H-L}$とIPを低い理論レベルから直接予測する転送学習モデルを構築した。
これらのモデルと不確実性定量化と多レベルモデリングを組み合わせることで、ロバストvhtsの化学精度(すなわち1kcal/mol)を保ちながら、データ取得を少なくとも3倍に加速するマルチプロング戦略を導入する。
関連論文リスト
- Text-Augmented Multimodal LLMs for Chemical Reaction Condition Recommendation [50.639325453203504]
MM-RCRは、化学反応レコメンデーション(RCR)のためのSMILES、反応グラフ、テキストコーパスから統一的な反応表現を学習するテキスト拡張マルチモーダルLLMである。
この結果から,MM-RCRは2つのオープンベンチマークデータセット上で最先端の性能を達成できることが示唆された。
論文 参考訳(メタデータ) (2024-07-21T12:27:26Z) - Deep Learning Based Apparent Diffusion Coefficient Map Generation from Multi-parametric MR Images for Patients with Diffuse Gliomas [1.5267759610392577]
拡散強調(DWI)MRIから得られたADCマップは、組織内の水分子に関する機能的測定を提供する。
本研究では,多パラメータMR画像からADCマップを合成するディープラーニングフレームワークを開発することを目的とする。
論文 参考訳(メタデータ) (2024-07-02T19:08:40Z) - Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。
炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
論文 参考訳(メタデータ) (2024-05-09T19:51:27Z) - Retrosynthesis prediction enhanced by in-silico reaction data
augmentation [66.5643280109899]
RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。
3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-01-31T07:40:37Z) - SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive
Molecular Property Prediction [1.534667887016089]
多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。
この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。
分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
論文 参考訳(メタデータ) (2023-12-12T09:33:54Z) - Improving Molecular Representation Learning with Metric
Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。
MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文 参考訳(メタデータ) (2022-02-13T04:56:18Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - Quantum Mechanics and Machine Learning Synergies: Graph Attention Neural
Networks to Predict Chemical Reactivity [7.799648230758492]
有機化学における官能基の反応性のスケーラブルな定量的測定が欠如している。
従来の量子化学研究では、メチルカチオンアフィニティ(MCA*)とメチルアニオンアフィニティ(MAA*)を導入しました。
MCA*およびMAA*は反応パラメータのよい推定を提供し、密度機能理論(DFT)のシミュレーションによる計算は時間がかかります。
論文 参考訳(メタデータ) (2021-03-24T19:05:02Z) - Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic
and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。
モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-08-06T20:20:22Z) - Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR
Images using a GAN [59.60954255038335]
提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-06-26T02:50:09Z)
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。