Fugu-MT 論文翻訳(概要): TorchMD-NET: Equivariant Transformers for Neural Network based Molecular Potentials

論文の概要: TorchMD-NET: Equivariant Transformers for Neural Network based Molecular Potentials

arxiv url: http://arxiv.org/abs/2202.02541v1
Date: Sat, 5 Feb 2022 12:53:40 GMT
ステータス: 処理完了
システム内更新日: 2022-02-08 15:09:36.952253
Title: TorchMD-NET: Equivariant Transformers for Neural Network based Molecular Potentials
Title（参考訳）: TorchMD-NET:ニューラルネットワークに基づく分子ポテンシャルの等価変換器
Authors: Philipp Th\"olke and Gianni De Fabritiis
Abstract要約: 本稿では,新しい変圧器(ET)アーキテクチャであるTorchMD-NETを提案する。
参考スコア（独自算出の注目度）: 2.538209532048867
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The prediction of quantum mechanical properties is historically plagued by a trade-off between accuracy and speed. Machine learning potentials have previously shown great success in this domain, reaching increasingly better accuracy while maintaining computational efficiency comparable with classical force fields. In this work we propose TorchMD-NET, a novel equivariant transformer (ET) architecture, outperforming state-of-the-art on MD17, ANI-1, and many QM9 targets in both accuracy and computational efficiency. Through an extensive attention weight analysis, we gain valuable insights into the black box predictor and show differences in the learned representation of conformers versus conformations sampled from molecular dynamics or normal modes. Furthermore, we highlight the importance of datasets including off-equilibrium conformations for the evaluation of molecular potentials.
Abstract（参考訳）: 量子力学特性の予測は歴史的に精度と速度のトレードオフによって苦しめられた。機械学習のポテンシャルはこの領域で大きく成功し、古典的な力場に匹敵する計算効率を維持しながら、ますます精度が向上している。本稿では,md17,ani-1,および多くのqm9ターゲットにおいて,精度と計算効率の両方において最先端を上回っている,新しい等価トランスフォーマー(et)アーキテクチャであるtorchmd-netを提案する。広範に注目する重み解析により,ブラックボックス予測器について貴重な知見を得て,分子動力学や正常モードから採取したコンフォメーションとコンフォメーションの学習表現の違いを示す。さらに,分子ポテンシャル評価のための非平衡コンフォーメーションを含むデータセットの重要性を強調した。

関連論文リスト

Equivariant Masked Position Prediction for Efficient Molecular Representation [6.761418610103767]
グラフニューラルネットワーク(GNN)は、計算化学においてかなりの可能性を示している。 Equivariant Masked Position Prediction (EMPP) と呼ばれる新しい自己教師型アプローチを導入する。 EMPPは、より明確に定義され、量子力学的特徴の学習を強化するニュアンスされた位置予測タスクを定式化する。
論文参考訳（メタデータ） (2025-02-12T08:39:26Z)
Excited-state nonadiabatic dynamics in explicit solvent using machine learned interatomic potentials [0.602276990341246]
我々はFieldSchNetを用いてQM/MM静電埋め込みを、非断熱励起状態軌跡のML/MMに置き換える。 ML/MMモデルはQM/MM表面ホッピング参照シミュレーションの電子動力学と構造再構成を再現することを示した。
論文参考訳（メタデータ） (2025-01-28T14:14:43Z)
Broadening the Scope of Neural Network Potentials through Direct Inclusion of Additional Molecular Attributes [2.679689033125693]
ニューラルネットワークのポテンシャル表現に追加の電子属性を含めることの重要性を実証する。この修正によって、原子番号と位置のみの使用に起因する入力縮退が解決されることを示す。これは、適切な戦略や物理学に基づくエネルギー用語を含めることなく達成される。
論文参考訳（メタデータ） (2024-03-22T09:54:04Z)
A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文参考訳（メタデータ） (2024-01-26T09:35:17Z)
QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文参考訳（メタデータ） (2023-08-25T15:08:19Z)
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)
Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文参考訳（メタデータ） (2022-06-21T20:38:13Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文参考訳（メタデータ） (2021-02-04T03:11:00Z)
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)
Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。どちらの手法もエネルギーと基底状態の優れた推定値を提供する。勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文参考訳（メタデータ） (2020-11-02T19:52:04Z)

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。