論文の概要: Edge Direction-invariant Graph Neural Networks for Molecular Dipole Moments Prediction

• arxiv url: http://arxiv.org/abs/2206.12867v1
• Date: Sun, 26 Jun 2022 12:52:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 16:36:36.112879
• Title: Edge Direction-invariant Graph Neural Networks for Molecular Dipole Moments Prediction
• Title（参考訳）: 分子双極子モーメント予測のためのエッジ方向不変グラフニューラルネットワーク
• Authors: Yang Jeong Park
• Abstract要約: 分子内の双極子モーメントを表現するための新しい埋め込み法を開発した。 開発モデルは、拡張されたジオメトリを持つ分子に対しても合理的に機能することを示す。 我々は,ab-initio計算に匹敵する精度で予測結果を大幅に改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dipole moment is a physical quantity indicating the polarity of a molecule and is determined by reflecting the electrical properties of constituent atoms and the geometric properties of the molecule. Most embeddings used to represent graph representations in traditional graph neural network methodologies treat molecules as topological graphs, creating a significant barrier to the goal of recognizing geometric information. Unlike existing embeddings dealing with equivariance, which have been proposed to handle the 3D structure of molecules properly, our proposed embeddings directly express the physical implications of the local contribution of dipole moments. We show that the developed model works reasonably even for molecules with extended geometries and captures more interatomic interaction information, significantly improving the prediction results with accuracy comparable to ab-initio calculations.
• Abstract（参考訳）: 双極子モーメントは分子の極性を示す物理量であり、構成原子の電気的性質と分子の幾何学的性質を反映して決定される。 従来のグラフニューラルネットワークの手法でグラフ表現を表現するために使われるほとんどの埋め込みは、分子をトポロジカルグラフとして扱う。 分子の3次元構造を適切に扱うために提案されている同値性を扱う既存の埋め込みとは異なり,提案した埋め込みは双極子モーメントの局所的寄与の物理的意味を直接表現する。 本モデルでは,拡張ジオメトリを持つ分子でも合理的に動作し,より原子間相互作用情報を取り込み,ab-initio計算に匹敵する精度で予測結果を大幅に改善することを示した。

関連論文リスト

• Neural Polarization: Toward Electron Density for Molecules by Extending Equivariant Networks [0.0]
  固定点と移動点のペアとして各原子を埋め込むことにより同変ネットワークを拡張する新しい手法であるtextitNeural Polarizationを提案する。 密度汎関数理論によって動機付けられたニューラルポーラライゼーションは、電子密度を含む空間充填ビューとして分子を表現し、ボール・アンド・スティックビューとは対照的である。
  論文  参考訳（メタデータ） (2024-06-01T13:39:27Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• 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)
• Equivariant Graph Attention Networks for Molecular Property Prediction [0.34376560669160383]
  大きさの異なる3D分子構造について学ぶことは、機械学習、特に薬物発見における新たな課題である。 本稿では,カルテシアン座標を用いた等変グラフニューラルネットワーク(GNN)を提案する。 小分子の量子力学的性質の予測におけるアーキテクチャの有効性を実証し,タンパク質複合体などの高分子構造に関する問題に対するその利点を示す。
  論文  参考訳（メタデータ） (2022-02-20T19:07:29Z)
• Geometric learning of the conformational dynamics of molecules using dynamic graph neural networks [0.0]
  分子構造の時間依存性変化を予測するため,重み付き動的グラフに対して時間的エッジ予測モデルを適用した。 次のステップでグラフを予測するために、完全な分子グラフのシーケンスを動的グラフニューラルネットワーク(GNN)に取り込みます。 我々の動的GNNは、分子シミュレーションの「化学的に正確な」0.017 rAの平均絶対誤差で原子間距離を予測する。
  論文  参考訳（メタデータ） (2021-06-24T19:01:05Z)
• 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)
• Equivariant message passing for the prediction of tensorial properties and molecular spectra [1.7188280334580197]
  偏光性原子間相互作用ニューラルネットワーク(PaiNN)を提案する。 これを分子スペクトルのシミュレーションに適用し,電子構造基準と比較して4-5桁の高速化を実現した。
  論文  参考訳（メタデータ） (2021-02-05T13:00:12Z)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。