論文の概要: Exploiting Ligand Additivity for Transferable Machine Learning of
Multireference Character Across Known Transition Metal Complex Ligands
- arxiv url: http://arxiv.org/abs/2205.02879v1
- Date: Thu, 5 May 2022 18:24:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 14:23:42.175792
- Title: Exploiting Ligand Additivity for Transferable Machine Learning of
Multireference Character Across Known Transition Metal Complex Ligands
- Title（参考訳）: 既知の遷移金属錯体配位子のマルチリファレンスキャラクタの転写可能な機械学習への配位子付加性の利用
- Authors: Chenru Duan, Adriana J. Ladera, Julian C.-L. Liu, Michael G. Taylor,
Isuru R. Ariyarathna, and Heather J. Kulik
- Abstract要約: ケンブリッジ構造データベースにおける5000以上の遷移金属錯体のマルチ参照特性を計算した。
MRキャラクタは分子内のすべての結合に対する平均結合次数の逆値と線形に相関することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate virtual high-throughput screening (VHTS) of transition metal
complexes (TMCs) remains challenging due to the possibility of high
multi-reference (MR) character that complicates property evaluation. We compute
MR diagnostics for over 5,000 ligands present in previously synthesized
transition metal complexes in the Cambridge Structural Database (CSD). To
accomplish this task, we introduce an iterative approach for consistent ligand
charge assignment for ligands in the CSD. Across this set, we observe that MR
character correlates linearly with the inverse value of the averaged bond order
over all bonds in the molecule. We then demonstrate that ligand additivity of
MR character holds in TMCs, which suggests that the TMC MR character can be
inferred from the sum of the MR character of the ligands. Encouraged by this
observation, we leverage ligand additivity and develop a ligand-derived machine
learning representation to train neural networks to predict the MR character of
TMCs from properties of the constituent ligands. This approach yields models
with excellent performance and superior transferability to unseen ligand
chemistry and compositions.
- Abstract（参考訳）: 遷移金属錯体(TMC)の正確な仮想高スループットスクリーニング(VHTS)は、特性評価を複雑にする高多重参照(MR)キャラクタリゼーションの可能性のため、依然として困難である。
ケンブリッジ構造データベース (csd) で合成された遷移金属錯体に存在する5,000以上の配位子に対するmr診断を計算する。
そこで本研究では,CSDにおけるリガンドに対する一貫したリガンド電荷割り当てに対する反復的アプローチを提案する。
この集合全体で、MRキャラクタは分子内のすべての結合に対する平均結合位の平均の逆値と線形に相関する。
次に, MRキャラクタのリガンド付加性はTMCに存在し, MRキャラクタはリガンドのMRキャラクタの和から推定可能であることを示す。
この観察により、我々はリガンド付加性を活用し、リガンド由来の機械学習表現を開発し、ニューラルネットワークを訓練し、構成リガンドの特性からMCCのMR特性を予測する。
このアプローチは、優れた性能と優れた配位子化学および組成への転移性を持つモデルをもたらす。
関連論文リスト
- Attention-aware contrastive learning for predicting T cell
receptor-antigen binding specificity [7.365824008999903]
細胞表面のMHCクラスI分子によって提示される新規抗原のごく一部のみがT細胞を誘導できることが確認されている。
そこで本研究では,TCR-抗原結合特異性を推定するためのattentive-mask contrastive learning model,ATMTCRを提案する。
論文 参考訳（メタデータ） (2022-05-17T10:53:32Z) - Tensor-Train Split Operator KSL (TT-SOKSL) Method for Quantum Dynamics
Simulations [0.0]
テンソルトレイン(TT)/マトリクス積状態(MPS)表現における量子シミュレーションのためのテンソルトレイン分割演算KSL(TT-SOKSL)法を提案する。
我々は、ロドプシンにおける網膜色素の光異性化のシミュレーションに応用したTT-SOKSLの精度と効率を実証した。
論文 参考訳（メタデータ） (2022-03-01T15:12:10Z) - Two Wrongs Can Make a Right: A Transfer Learning Approach for Chemical
Discovery with Chemical Accuracy [0.4306143768014156]
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。
論文 参考訳（メタデータ） (2022-01-11T23:45:52Z) - Spectral Complexity-scaled Generalization Bound of Complex-valued Neural
Networks [78.64167379726163]
本論文は,複素数値ニューラルネットワークの一般化を証明した最初の論文である。
複雑な値の畳み込みニューラルネットワークを異なるデータセット上でトレーニングして実験を行う。
論文 参考訳（メタデータ） (2021-12-07T03:25:25Z) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳（メタデータ） (2021-11-18T03:06:25Z) - Deciphering Cryptic Behavior in Bimetallic Transition Metal Complexes
with Machine Learning [0.856335408411906]
我々は, 金属-金属結合の程度を予測するために, 330個の構造的特徴を持つヘテロビメタルのサブセット上で回帰モデルを訓練した。
我々の研究は、有理二金属設計の指針を提供し、形式比を含む特性は、ある期間から別の期間に転移可能であることを示唆している。
論文 参考訳（メタデータ） (2021-07-29T19:01:56Z) - Representations and Strategies for Transferable Machine Learning Models
in Chemical Discovery [0.7695660509846216]
本稿では,周期表の1行から大量のデータを学習したモデルを,追加行から少量のデータポイントで生成するトランスファー学習手法を提案する。
モデル性能を安定的に向上させるために,この伝達学習戦略とともに,eRACの相乗的価値を示す。
論文 参考訳（メタデータ） (2021-06-20T22:34:04Z) - Controlled coherent dynamics of [VO(TPP)], a prototype molecular nuclear
qudit with an electronic ancilla [50.002949299918136]
本稿では,[VO(TPP)](バナジルテトラフェニルポルフィリン酸塩)が量子計算アルゴリズムの実装に適していることを示す。
超微細相互作用によって結合された電子スピン1/2を核スピン7/2に埋め込み、どちらも顕著なコヒーレンスによって特徴づけられる。
論文 参考訳（メタデータ） (2021-03-15T21:38:41Z) - On the Transferability of VAE Embeddings using Relational Knowledge with
Semi-Supervision [67.96748304066827]
本稿では,異なる記号特性を持つ関係の絡み合いと低複雑性モデリングのバランスをとることができるリレーショナルVAEセミスーパービジョンの新しいモデルを提案する。
帰納的および帰納的移行学習における関係復号器と潜時空間構造の相対的利点を比較した。
論文 参考訳（メタデータ） (2020-11-13T21:40:32Z) - 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。