論文の概要: ViSNet: a scalable and accurate geometric deep learning potential for molecular dynamics simulation

• arxiv url: http://arxiv.org/abs/2210.16518v1
• Date: Sat, 29 Oct 2022 07:12:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-21 03:08:05.110837
• Title: ViSNet: a scalable and accurate geometric deep learning potential for molecular dynamics simulation
• Title（参考訳）: ViSNet:分子動力学シミュレーションのためのスケーラブルで正確な幾何学的深層学習ポテンシャル
• Authors: Yusong Wang, Shaoning Li, Xinheng He, Mingyu Li, Zun Wang, Nanning Zheng, Bin Shao, Tong Wang and Tie-Yan Liu
• Abstract要約: 計算コストの低い方向情報を利用する深層学習型ViSNetを提案する。 ViSNetはMD17と改訂されたMD17データセットの分子に対する最先端のアプローチより優れている。 数百の原子を含むタンパク質分子にスケールし、分子セグメンテーションなしでアブ初期精度に達する。
• 参考スコア（独自算出の注目度）: 94.80875612583135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometric deep learning has been revolutionizing the molecular dynamics simulation field over a decade. Although the state-of-the-art neural network models are approaching ab initio accuracy for energy and force prediction, insufficient utilization of geometric information and high computational costs hinder their applications in molecular dynamics simulations. Here we propose a deep learning potential, called ViSNet that sufficiently exploits directional information with low computational costs. ViSNet outperforms the state-of-the-art approaches on the molecules in the MD17 and revised MD17 datasets and achieves the best prediction scores for 11 of 12 quantum properties on QM9. Furthermore, ViSNet can scale to protein molecules containing hundreds of atoms and reach to ab initio accuracy without molecular segmentation. Through a series of evaluations and case studies, ViSNet can efficiently explore the conformational space and provide reasonable interpretability to map geometric representations to molecular structures.
• Abstract（参考訳）: 幾何学的深層学習は10年以上にわたって分子動力学シミュレーションの分野に革命をもたらした。 最先端のニューラルネットワークモデルはエネルギーと力の予測の開始精度に近づいているが、幾何情報の不十分な利用と高い計算コストは、分子動力学シミュレーションにおけるそれらの応用を妨げる。 本稿では,計算コストの低い方向情報を十分に活用する,visnetと呼ばれる深層学習ポテンシャルを提案する。 ViSNetはMD17の分子の最先端のアプローチと改訂されたMD17データセットを上回り、QM9上の12の量子特性のうち11の最良の予測スコアを達成している。 さらに、ViSNetは数百の原子を含むタンパク質分子にスケールでき、分子セグメンテーションなしで初期精度に達する。 一連の評価とケーススタディを通じて、ViSNetは構造空間を効率的に探索し、幾何学的表現を分子構造にマッピングするための合理的な解釈性を提供する。

関連論文リスト

• geom2vec: pretrained GNNs as geometric featurizers for conformational dynamics [0.0]
  我々はGeom2vecを紹介し、トレーニング済みグラフニューラルネットワーク(GNN)を普遍的なデファクトライザとして利用する。 さらに微調整することなく分子幾何学的パターンを捉えた伝達可能な構造表現を学習する。
  論文  参考訳（メタデータ） (2024-09-30T00:36:06Z)
• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• 3D Molecular Geometry Analysis with 2D Graphs [79.47097907673877]
  分子の基底状態3次元ジオメトリは多くの分子解析タスクに必須である。 現代の量子力学的手法は正確な3次元幾何学を計算できるが、計算は禁じられている。 分子グラフから3次元幾何学を予測するための新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-01T19:00:46Z)
• 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)
• 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)
• Super-resolution in Molecular Dynamics Trajectory Reconstruction with Bi-Directional Neural Networks [0.0]
  機械学習(ML)の異なる手法を探索し、後処理のステップで分子動力学軌道の解像度をオンデマンドで向上する。 サーモスタット軌道の局所的時間対称性を利用して、長距離相関を学習し、分子の複雑さにまたがる雑音のダイナミックスに対して高いロバスト性を示すことができる。
  論文  参考訳（メタデータ） (2022-01-02T23:00:30Z)
• Learning Large-Time-Step Molecular Dynamics with Graph Neural Networks [14.388196138756195]
  グラフニューラルネットワーク(GNN)に基づくモデルMDNetを導入し、座標と運動量の進化を大きな時間ステップで予測する。 4000原子系におけるMDNetの性能を実測し, MDNetが良好な平衡特性と輸送特性を予測可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-30T07:32:39Z)
• Heterogeneous relational message passing networks for molecular dynamics simulations [10.30351315399729]
  本稿では,エンドツーエンドのヘテロジニアスグラフニューラルネットワークであるHermNetを提案し,複数の相互作用を1つのモデルで効率的に表現する。 HermNetは、分子と拡張システムの両方において、多くのトップパフォーマンスモデルに対して素晴らしいパフォーマンスを発揮する。
  論文  参考訳（メタデータ） (2021-09-02T05:04:57Z)
• 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)

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。