論文の概要: Non-equilibrium molecular geometries in graph neural networks

• arxiv url: http://arxiv.org/abs/2203.04697v1
• Date: Mon, 7 Mar 2022 20:20:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 17:02:37.586333
• Title: Non-equilibrium molecular geometries in graph neural networks
• Title（参考訳）: グラフニューラルネットワークにおける非平衡分子ジオメトリ
• Authors: Ali Raza, E. Adrian Henle, Xiaoli Fern
• Abstract要約: グラフニューラルネットワークは、複雑な構造とプロパティの関係を学ぶための強力なフレームワークになっている。 近年,分子の3次元形状情報と結合構造を併用することにより,幅広い特性のより正確な予測が可能であることが示唆されている。
• 参考スコア（独自算出の注目度）: 2.6040244706888998
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph neural networks have become a powerful framework for learning complex structure-property relationships and fast screening of chemical compounds. Recently proposed methods have demonstrated that using 3D geometry information of the molecule along with the bonding structure can lead to more accurate prediction on a wide range of properties. A common practice is to use 3D geometries computed through density functional theory (DFT) for both training and testing of models. However, the computational time needed for DFT calculations can be prohibitively large. Moreover, many of the properties that we aim to predict can often be obtained with little or no overhead on top of the DFT calculations used to produce the 3D geometry information, voiding the need for a predictive model. To be practically useful for high-throughput chemical screening and drug discovery, it is desirable to work with 3D geometries obtained using less-accurate but much more efficient non-DFT methods. In this work we investigate the impact of using non-DFT conformations in the training and the testing of existing models and propose a data augmentation method for improving the prediction accuracy of classical forcefield-derived geometries.
• Abstract（参考訳）: グラフニューラルネットワークは、複雑な構造-物性関係と化合物の高速スクリーニングを学ぶための強力なフレームワークとなっている。 近年,分子の3次元形状情報と結合構造を併用することにより,幅広い特性のより正確な予測が可能であることが示唆されている。 一般的なプラクティスは、モデルのトレーニングとテストの両方に密度汎関数理論(DFT)を通して計算される3Dジオメトリを使用することである。 しかし、DFT計算に必要な計算時間は非常に大きい。 さらに,3次元幾何情報を生成するために使用されるDFT計算の上のオーバーヘッドがほとんどあるいは全くなく,予測モデルの必要性を排除して,予測する特性の多くを得ることが可能である。 高スループットの化学スクリーニングや薬物発見に実用的に有用であるためには、より精度の低い、より効率的な非DFT法を用いて得られる3Dジオメトリーを扱うことが望ましい。 本研究では,既存のモデルのトレーニングおよびテストにおける非dftコンフォメーションの利用が与える影響について検討し,古典的力場由来のジオメトリの予測精度を向上させるためのデータ拡張法を提案する。

関連論文リスト

• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
  新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。 提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
  論文  参考訳（メタデータ） (2023-06-13T14:43:13Z)
• 3D Molecular Geometry Analysis with 2D Graphs [79.47097907673877]
  分子の基底状態3次元ジオメトリは多くの分子解析タスクに必須である。 現代の量子力学的手法は正確な3次元幾何学を計算できるが、計算は禁じられている。 分子グラフから3次元幾何学を予測するための新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-01T19:00:46Z)
• {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
  Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。 本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T17:59:57Z)
• Molecule3D: A Benchmark for Predicting 3D Geometries from Molecular Graphs [79.06686274377009]
  我々は、約400万分子の正確な基底状態のジオメトリーを持つデータセットを含むMolecule3Dと呼ばれるベンチマークを開発する。 我々は3次元空間における原子と原子の対距離を予測する2つのベースライン法を実装した。 本手法は予測精度に匹敵する精度を達成できるが,計算コストははるかに小さい。
  論文  参考訳（メタデータ） (2021-09-30T22:09:28Z)
• 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)

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。