論文の概要: Graph Neural Network with Local Frame for Molecular Potential Energy Surface

• arxiv url: http://arxiv.org/abs/2208.00716v1
• Date: Mon, 1 Aug 2022 10:01:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-02 14:51:47.376346
• Title: Graph Neural Network with Local Frame for Molecular Potential Energy Surface
• Title（参考訳）: 分子ポテンシャルエネルギー表面のための局所フレーム付きグラフニューラルネットワーク
• Authors: Xiyuan Wang, Muhan Zhang
• Abstract要約: 分子表現学習に新しい局所フレーム法を導入し,その表現力を解析する。 フレームとフレーム上の同変ベクトルの投影により、GNNは原子の局所環境をスカラー表現にマッピングすることができる。 局所的環境が対称性を持たないとき、局所的フレームは常に存在することを証明する。
• 参考スコア（独自算出の注目度）: 9.594432031144715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling molecular potential energy surface is of pivotal importance in science. Graph Neural Networks have shown great success in this field, especially those using rotation-equivariant representations. However, they either suffer from a complex mathematical form or lack theoretical support and design principle. To avoid using equivariant representations, we introduce a novel local frame method to molecule representation learning and analyze its expressive power. With a frame and the projection of equivariant vectors on the frame, GNNs can map the local environment of an atom to a scalar representation injectively. Messages can also be passed across local environments with frames' projection on frames. We further analyze when and how we can build such local frames. We prove that local frames always exist when the local environments have no symmetry, as is often the case in molecular dynamics simulations. For symmetric molecules, though only degenerate frames can be built, we find that the local frame method may still achieve high expressive power in some common cases due to the reduced degrees of freedom. Using only scalar representations allows us to adopt existing simple and powerful GNN architectures. Our model outperforms a range of state-of-the-art baselines in experiments. Simpler architectures also lead to higher scalability. Our model only takes about 30% inference time compared with the fastest baseline.
• Abstract（参考訳）: 分子ポテンシャルエネルギー表面のモデリングは科学において重要な要素である。 グラフニューラルネットワークはこの分野で大きな成功を収めており、特に回転同変表現を用いている。 しかし、それらは複雑な数学的形式に苦しむか、理論的支援と設計原理を欠いている。 等価表現の使用を避けるために,分子表現学習のための新しい局所フレーム法を導入し,その表現力の解析を行う。 フレームとフレーム上の同変ベクトルの投影により、GNNは原子の局所環境をスカラー表現に誘導的にマッピングすることができる。 メッセージはフレームのプロジェクションをフレーム上でローカル環境に渡すこともできる。 ローカルフレームの構築のタイミングと方法をさらに分析する。 分子動力学シミュレーションでよく見られるように、局所環境が対称性を持たないとき、局所的フレームは常に存在することを示す。 対称分子では、縮退したフレームのみを構築できるが、局所的なフレーム法は自由度が低くなるため、しばしば高い表現力が得られる可能性がある。 scalar表現のみを使用することで、既存のシンプルでパワフルなgnnアーキテクチャを採用できます。 我々のモデルは実験において最先端のベースラインよりも優れています。 アーキテクチャがシンプルになるとスケーラビリティも向上する。 我々のモデルは、最高速のベースラインと比較して約30%の推論時間しかかからない。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• On the Completeness of Invariant Geometric Deep Learning Models [22.43250261702209]
  不変モデルは、点雲における情報的幾何学的特徴を利用して意味のある幾何学的表現を生成することができる。 最も単純なグラフグラフニューラルネットワーク(サブグラフGNN)の幾何学的対応であるGeoNGNNは、これらのコーナーケースの対称性を効果的に破ることができることを示す。 理論ツールとしてGeoNGNNを活用することで、1)従来のグラフ学習で開発されたほとんどのグラフGNNは、E(3)完全性を持つ幾何学的シナリオにシームレスに拡張できる。
  論文  参考訳（メタデータ） (2024-02-07T13:32:53Z)
• A quatum inspired neural network for geometric modeling [14.214656118952178]
  本稿では,MPSベースのメッセージパッシング戦略を提案する。 本手法は,多体関係を効果的にモデル化し,平均場近似を抑える。 これは幾何学的GNNに固有の標準メッセージパッシングおよびレイヤ集約モジュールをシームレスに置き換える。
  論文  参考訳（メタデータ） (2024-01-03T15:59:35Z)
• 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)
• Torsion Graph Neural Networks [21.965704710488232]
  解析的トーション強化グラフニューラルネットワークモデルであるTorGNNを提案する。 われわれのTorGNNでは,各エッジに対して対応する局所単体複合体を同定し,解析トーションを算出する。 我々のTorGNNは両方のタスクにおいて優れた性能を達成でき、様々な最先端モデルより優れていることが判明した。
  論文  参考訳（メタデータ） (2023-06-23T15:02:23Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• A new perspective on building efficient and expressive 3D equivariant graph neural networks [39.0445472718248]
  等変GNNの表現力を評価するための3次元同型階層を提案する。 我々の研究は、表現的かつ効率的な幾何学的GNNを設計するための2つの重要なモジュールに繋がる。 本理論の適用性を示すため,これらのモジュールを効果的に実装したLEFTNetを提案する。
  論文  参考訳（メタデータ） (2023-04-07T18:08:27Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• 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)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)

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。