論文の概要: A data-driven interpretation of the stability of molecular crystals
- arxiv url: http://arxiv.org/abs/2209.10709v1
- Date: Wed, 21 Sep 2022 23:32:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 14:25:58.051047
- Title: A data-driven interpretation of the stability of molecular crystals
- Title(参考訳): データ駆動による分子結晶の安定性の解釈
- Authors: Rose K. Cersonsky, Maria Pakhnova, Edgar A. Engel, Michele Ceriotti
- Abstract要約: 分子構造ブロックから形成される結晶構造の安定性を予測することは、非自明な科学的問題である。
本稿では, 有機結晶の硬化したデータセットに対する結合エネルギーの予測に適した構造記述子を提案する。
次に、構造エネルギーのランドスケープの低次元表現を用いて、このライブラリを解釈する。
- 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: Due to the subtle balance of intermolecular interactions that govern
structure-property relations, predicting the stability of crystal structures
formed from molecular building blocks is a highly non-trivial scientific
problem. A particularly active and fruitful approach involves classifying the
different combinations of interacting chemical moieties, as understanding the
relative energetics of different interactions enables the design of molecular
crystals and fine-tuning their stabilities. While this is usually performed
based on the empirical observation of the most commonly encountered motifs in
known crystal structures, we propose to apply a combination of supervised and
unsupervised machine-learning techniques to automate the construction of an
extensive library of molecular building blocks. We introduce a structural
descriptor tailored to the prediction of the binding energy for a curated
dataset of organic crystals and exploit its atom-centered nature to obtain a
data-driven assessment of the contribution of different chemical groups to the
lattice energy of the crystal. We then interpret this library using a
low-dimensional representation of the structure-energy landscape and discuss
selected examples of the insights that can be extracted from this analysis,
providing a complete database to guide the design of molecular materials.
- Abstract(参考訳): 構造-物性関係を管理する分子間相互作用の微妙なバランスのため、分子構造ブロックから形成される結晶構造の安定性を予測することは、非常に非自明な科学的問題である。
特に活発で実りあるアプローチは、相互作用する化学のモーティの異なる組み合わせを分類することであり、相互作用の相対エネルギーの理解は分子結晶の設計とそれらの安定性の微調整を可能にする。
この手法は通常、既知の結晶構造における最もよく見られるモチーフの実証的な観察に基づいて行われるが、教師なしと教師なしの機械学習技術を組み合わせて、分子構造ブロックの広範なライブラリ構築を自動化することを提案する。
本研究では, 有機結晶の硬化したデータセットの結合エネルギーの予測に適した構造記述子を導入し, その原子中心の性質を利用して, 結晶の格子エネルギーに対する異なる化学基の寄与をデータ駆動で評価する。
次に, 構造エネルギー景観の低次元表現を用いてこのライブラリを解釈し, この分析から抽出できる知見の選択例について考察し, 分子材料の設計を導くための完全なデータベースを提供する。
関連論文リスト
- Stoichiometry Representation Learning with Polymorphic Crystal
Structures [54.65985356122883]
確率論記述子は、構造的な情報を持たない特定の化合物を形成するために関係する要素間の比を明らかにすることができる。
本稿では,手軽に利用できる構造情報を利用して,確率論の確率的表現を学習するPolySRLを提案する。
論文 参考訳(メタデータ) (2023-11-17T20:34:28Z) - From molecules to scaffolds to functional groups: building
context-dependent molecular representation via multi-channel learning [10.756149299304981]
本稿では分子構造における構造的階層の知識を活用する新しい学習フレームワークを提案する。
様々な分子特性ベンチマークの競合性能を示し、最先端の結果を確立する。
論文 参考訳(メタデータ) (2023-11-05T23:47:52Z) - Scalable Diffusion for Materials Generation [110.39595661627155]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳(メタデータ) (2023-10-18T15:49:39Z) - Latent Conservative Objective Models for Data-Driven Crystal Structure
Prediction [62.36797874900395]
計算化学において、結晶構造予測は最適化問題である。
この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。
我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
論文 参考訳(メタデータ) (2023-10-16T04:35:44Z) - Data-Driven Score-Based Models for Generating Stable Structures with
Adaptive Crystal Cells [1.515687944002438]
本研究は, 化学安定性や化学組成など, 新しい結晶構造を創出することを目的としている。
提案手法の新規性は、結晶細胞の格子が固定されていないという事実にある。
対称性の制約を尊重し、計算上の優位性をもたらす多グラフ結晶表現が導入された。
論文 参考訳(メタデータ) (2023-10-16T02:53:24Z) - Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。
本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。
その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
論文 参考訳(メタデータ) (2023-10-07T21:36:55Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳(メタデータ) (2022-09-30T01:46:38Z) - 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) - Semi-Supervised GCN for learning Molecular Structure-Activity
Relationships [4.468952886990851]
そこで本稿では,半教師付き学習を用いたグラフ-グラフ間ニューラルネットワークの学習手法を提案する。
最終目標として、我々のアプローチは、アクティビティ崖、リード最適化、デノボドラッグデザインといった問題に対処するための貴重なツールとなる可能性がある。
論文 参考訳(メタデータ) (2022-01-25T09:09:43Z) - A silicon qubit platform for in situ single molecule structure
determination [0.7187911114620571]
単分子レベルでの一般、不均一、過渡的または内在的に混乱したタンパク質系の個々のコンフォメーションのインスタンスをイメージングすることは、構造生物学における顕著な課題の1つである。
ここでは、シリコンベースのスピン量子ビットの利点を取り入れた単一の分子イメージングプラットフォームを設計することで、この問題に取り組む。
我々は,本プラットフォームが自然環境における個々の分子系のスケーラブルな原子レベル構造決定を可能にすることを,詳細なシミュレーションを通じて実証した。
論文 参考訳(メタデータ) (2021-12-07T10:42:09Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z)
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。