論文の概要: Representing Polymers as Periodic Graphs with Learned Descriptors for
Accurate Polymer Property Predictions
- arxiv url: http://arxiv.org/abs/2205.13757v1
- Date: Fri, 27 May 2022 04:14:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 05:52:40.509235
- Title: Representing Polymers as Periodic Graphs with Learned Descriptors for
Accurate Polymer Property Predictions
- Title(参考訳): 正確なポリマー特性予測のための学習記述子を用いた周期グラフとしての高分子の表現
- Authors: Evan R. Antoniuk, Peggy Li, Bhavya Kailkhura, Anna M. Hiszpanski
- Abstract要約: 我々は、手書きの表現を一貫して上回る周期性ポリマーグラフ表現を開発する。
また,高分子グラフ表現とメッセージパッシングニューラルネットワークアーキテクチャを組み合わせることで,意味のある高分子の特徴を自動的に抽出する方法を実証する。
- 参考スコア(独自算出の注目度): 16.468017785818198
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the grand challenges of utilizing machine learning for the discovery
of innovative new polymers lies in the difficulty of accurately representing
the complex structures of polymeric materials. Although a wide array of
hand-designed polymer representations have been explored, there has yet to be
an ideal solution for how to capture the periodicity of polymer structures, and
how to develop polymer descriptors without the need for human feature design.
In this work, we tackle these problems through the development of our periodic
polymer graph representation. Our pipeline for polymer property predictions is
comprised of our polymer graph representation that naturally accounts for the
periodicity of polymers, followed by a message-passing neural network (MPNN)
that leverages the power of graph deep learning to automatically learn
chemically-relevant polymer descriptors. Across a diverse dataset of 10 polymer
properties, we find that this polymer graph representation consistently
outperforms hand-designed representations with a 20% average reduction in
prediction error. Our results illustrate how the incorporation of chemical
intuition through directly encoding periodicity into our polymer graph
representation leads to a considerable improvement in the accuracy and
reliability of polymer property predictions. We also demonstrate how combining
polymer graph representations with message-passing neural network architectures
can automatically extract meaningful polymer features that are consistent with
human intuition, while outperforming human-derived features. This work
highlights the advancement in predictive capability that is possible if using
chemical descriptors that are specifically optimized for capturing the unique
chemical structure of polymers.
- Abstract(参考訳): 革新的な新しいポリマーの発見に機械学習を利用するという大きな課題の1つは、高分子材料の複雑な構造を正確に表現することが難しいことである。
様々な手作りのポリマー表現が研究されているが、高分子構造の周期性や、人間の特徴設計を必要とせずに高分子ディスクリプタを開発するための理想的な解決策はまだ見つかっていない。
本研究では,周期性高分子グラフ表現の開発を通じて,これらの問題に取り組む。
高分子特性予測のためのパイプラインは, ポリマーの周期性を自然に説明するポリマーグラフ表現と, グラフ深層学習の力を利用して化学関連ポリマー記述子を自動的に学習するメッセージ通過ニューラルネットワーク(MPNN)で構成されている。
10のポリマー特性の多種多様なデータセットにおいて, このポリマーグラフ表現は, 予測誤差を平均20%低減した手書き表現よりも一貫して優れていた。
この結果から, 周期性を直接表現することで化学直観を組み込むことにより, ポリマー特性予測の精度と信頼性が著しく向上したことを示す。
また、高分子グラフ表現とメッセージパッシングニューラルネットワークアーキテクチャを組み合わせることで、人間の直観と一致する有意義なポリマー特徴を自動的に抽出し、ヒト由来の特徴よりも優れることを示す。
この研究は、ポリマーの特異な化学構造を捉えるために特別に最適化された化学ディスクリプタを使用することで可能な予測能力の進歩を浮き彫りにしている。
関連論文リスト
- Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。
KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。
この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
論文 参考訳(メタデータ) (2025-02-17T11:53:58Z) - Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳(メタデータ) (2024-11-03T01:56:15Z) - Molecular topological deep learning for polymer property prediction [18.602659324026934]
高分子特性解析のための分子トポロジカルディープラーニング(Mol-TDL)を開発した。
Mol-TDLは高次相互作用とマルチスケール特性の両方をトポロジカルディープラーニングアーキテクチャに組み込んでいる。
論文 参考訳(メタデータ) (2024-10-07T05:44:02Z) - MMPolymer: A Multimodal Multitask Pretraining Framework for Polymer Property Prediction [24.975491375575224]
MMPolymerはポリマー1Dシーケンシャルおよび3D構造情報を組み込んだ新しいマルチタスク事前学習フレームワークである。
MMPolymerは、下流特性予測タスクにおける最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-06-07T08:19:59Z) - Automatically Predict Material Properties with Microscopic Image Example
Polymer Compatibility [94.40113383292139]
機械学習を用いたコンピュータ画像認識は、人工判定の欠陥を補うことができる。
畳み込みニューラルネットワークとトランスファーラーニング手法を用いて、自動誤認認識を実現する。
提案手法は, 各種材料の微細構造と物性の定量的評価に広く応用できる。
論文 参考訳(メタデータ) (2023-03-22T07:51:32Z) - 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) - TransPolymer: a Transformer-based language model for polymer property
predictions [9.04563945965023]
TransPolymerは、トランスフォーマーをベースとした、高分子特性予測のための言語モデルである。
ケミカル・アウェアネスを用いたポリマー・トークンーザは, ポリマー配列からの学習表現を可能にする。
論文 参考訳(メタデータ) (2022-09-03T01:29:59Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳(メタデータ) (2022-07-25T11:30:44Z) - A graph representation of molecular ensembles for polymer property
prediction [3.032184156362992]
有機分子とは対照的に、ポリマーはよく定義された単一構造ではなく、類似した分子の集合体である。
本稿では,分子アンサンブルのグラフ表現と,高分子特性予測に適したグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-05-17T20:31:43Z) - Copolymer Informatics with Multi-Task Deep Neural Networks [0.0]
コポリマーの性質予測の課題に取り組み、ホモポリマーを超えてポリマーインフォマティクスフレームワークを拡張します。
2つのモノマーのホモポリマーと共重合体のガラス転移、融解、分解温度の18,000以上のデータポイントを含む大きなデータセットを用いる。
開発されたモデルは、適切なデータが利用可能になったときに、よりコポリマー特性に正確、迅速、柔軟、スケーラブルです。
論文 参考訳(メタデータ) (2021-03-25T23:28:20Z) - Polymers for Extreme Conditions Designed Using Syntax-Directed
Variational Autoencoders [53.34780987686359]
現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。
このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。
文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
論文 参考訳(メタデータ) (2020-11-04T21:36:59Z)
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。