論文の概要: MOFormer: Self-Supervised Transformer model for Metal-Organic Framework
Property Prediction
- arxiv url: http://arxiv.org/abs/2210.14188v1
- Date: Tue, 25 Oct 2022 17:29:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 15:59:16.943262
- Title: MOFormer: Self-Supervised Transformer model for Metal-Organic Framework
Property Prediction
- Title(参考訳): MOFormer: 金属-有機フレームワーク特性予測のための自己監督型トランスモデル
- Authors: Zhonglin Cao, Rishikesh Magar, Yuyang Wang, and Amir Barati Farimani
- Abstract要約: 金属有機フレームワーク(英: Metal-Organic Frameworks、MOFs)は、エネルギー貯蔵、脱塩、ガス貯蔵、ガス分離などの用途に使用できる多孔質材料である。
特定のアプリケーションに最適なMOFを見つけるには、膨大な数の候補を効率よく正確に探索する必要がある。
そこで本研究では,MOFの特性予測のために,MOFormerと呼ばれるトランスフォーマーモデルに基づく構造に依存しないディープラーニング手法を提案する。
- 参考スコア(独自算出の注目度): 7.367477168940467
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Metal-Organic Frameworks (MOFs) are materials with a high degree of porosity
that can be used for applications in energy storage, water desalination, gas
storage, and gas separation. However, the chemical space of MOFs is close to an
infinite size due to the large variety of possible combinations of building
blocks and topology. Discovering the optimal MOFs for specific applications
requires an efficient and accurate search over an enormous number of potential
candidates. Previous high-throughput screening methods using computational
simulations like DFT can be time-consuming. Such methods also require
optimizing 3D atomic structure of MOFs, which adds one extra step when
evaluating hypothetical MOFs. In this work, we propose a structure-agnostic
deep learning method based on the Transformer model, named as MOFormer, for
property predictions of MOFs. The MOFormer takes a text string representation
of MOF (MOFid) as input, thus circumventing the need of obtaining the 3D
structure of hypothetical MOF and accelerating the screening process.
Furthermore, we introduce a self-supervised learning framework that pretrains
the MOFormer via maximizing the cross-correlation between its
structure-agnostic representations and structure-based representations of
crystal graph convolutional neural network (CGCNN) on >400k publicly available
MOF data. Using self-supervised learning allows the MOFormer to intrinsically
learn 3D structural information though it is not included in the input.
Experiments show that pretraining improved the prediction accuracy of both
models on various downstream prediction tasks. Furthermore, we revealed that
MOFormer can be more data-efficient on quantum-chemical property prediction
than structure-based CGCNN when training data is limited. Overall, MOFormer
provides a novel perspective on efficient MOF design using deep learning.
- Abstract(参考訳): 金属有機フレームワーク(英: Metal-Organic Frameworks、MOFs)は、エネルギー貯蔵、脱塩、ガス貯蔵、ガス分離などの用途に使用できる多孔質材料である。
しかし、MOFsの化学空間は、ビルディングブロックとトポロジーの様々な組み合わせにより、無限大に近い。
特定のアプリケーションに最適なMOFを見つけるには、膨大な数の候補を効率よく正確に探索する必要がある。
DFTのような計算シミュレーションを用いた従来の高スループットスクリーニングには時間がかかる。
このような手法では、MOFの3次元原子構造を最適化する必要がある。
本研究では,mofの特性予測のために,モフォーマーと呼ばれるトランスフォーマーモデルに基づく構造非依存なディープラーニング手法を提案する。
MOFormerは、MOF(MOFid)のテキスト文字列表現を入力として、仮説MOFの3D構造を取得し、スクリーニングプロセスを加速する必要性を回避する。
さらに,400k以上の公開MOFデータ上で,その構造に依存しない表現と結晶グラフ畳み込みニューラルネットワーク(CGCNN)の構造に基づく表現との相互相関を最大化することにより,MOFormerを事前訓練する自己教師型学習フレームワークを導入する。
自己教師付き学習を用いることで、モフォーマーは入力に含まれないが、内在的に3d構造情報を学習することができる。
実験により, 各種下流予測タスクにおいて, 事前学習により両モデルの予測精度が向上した。
さらに,トレーニングデータに制限がある場合,MOFormerは構造に基づくCGCNNよりも量子化学的特性予測においてよりデータ効率が高いことを示した。
全体として、MOFormerはディープラーニングを使った効率的なMOF設計の新しい視点を提供する。
関連論文リスト
- MOFDiff: Coarse-grained Diffusion for Metal-Organic Framework Design [4.819734936375677]
金属-有機フレームワーク(MOF)は、ガス貯蔵や炭素捕獲といった応用に非常に関心がある。
CGMOF構造を生成する粗粒拡散モデルMOFDiffを提案する。
有効かつ斬新なMOF構造の生成能力と優れたMOF材料の設計における有効性を評価する。
論文 参考訳(メタデータ) (2023-10-16T18:00:15Z) - 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) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳(メタデータ) (2022-07-12T17:07:46Z) - Building Open Knowledge Graph for Metal-Organic Frameworks (MOF-KG):
Challenges and Case Studies [63.61566811532431]
金属有機フレームワーク(MOF)は、ガス貯蔵、分子分離、化学センシング、結晶および薬物のデリバリーといった応用に革命をもたらす大きな可能性を持っている。
ケンブリッジ構造データベース(CSD)は10,636個のMOF結晶を報告しており、これには114,373個のMOF構造が含まれる。
本稿では,MOF予測,発見,合成を容易にする知識グラフ手法の活用に向けた取り組みについて述べる。
論文 参考訳(メタデータ) (2022-07-10T16:41:11Z) - Deep-learning-based prediction of nanoparticle phase transitions during
in situ transmission electron microscopy [3.613625739845355]
我々は、過去のフレームのシーケンスの入力に基づいて、将来のビデオフレームのシーケンスを予測するために、ディープラーニングモデルを訓練する。
この能力は、動的反応条件下でのAuナノ粒子の粒径依存構造変化の洞察を与える。
新たな自動実験プラットフォームのための化学反応の次のステップを予測できるかもしれない。
論文 参考訳(メタデータ) (2022-05-23T15:50:24Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - 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) - Middle-level Fusion for Lightweight RGB-D Salient Object Detection [81.43951906434175]
本稿では,新しい軽量RGB-D SODモデルについて述べる。
中層核融合構造に IMFF および L モジュールが組み込まれているため,提案モデルは3.9M のパラメータしか持たず,33 FPS で動作する。
いくつかのベンチマークデータセットによる実験結果から,提案手法の有効性と優位性を検証した。
論文 参考訳(メタデータ) (2021-04-23T11:37:15Z) - A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。
本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。
我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文 参考訳(メタデータ) (2021-02-04T03:11:00Z) - Characterizing the Latent Space of Molecular Deep Generative Models with
Persistent Homology Metrics [21.95240820041655]
変分オート(VAE)は、エンコーダとデコーダのネットワークペアをトレーニングデータ分散の再構築のために訓練する生成モデルである。
本研究では, 深部生成モデルの潜伏空間が, 構造的および化学的特徴をエンコードできるかどうかを計測する手法を提案する。
論文 参考訳(メタデータ) (2020-10-18T13:33:02Z)
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。