論文の概要: Machine Learning for Screening Large Organic Molecules

• arxiv url: http://arxiv.org/abs/2211.15415v1
• Date: Wed, 23 Nov 2022 17:20:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 14:15:22.018131
• Title: Machine Learning for Screening Large Organic Molecules
• Title（参考訳）: 大規模有機分子探索のための機械学習
• Authors: Christopher Gaul and Santiago Cuesta-Lopez
• Abstract要約: 有機半導体は安価でスケーラブルで持続可能なエレクトロニクスのための有望な材料である。 有機太陽電池にとって、広大な化合物空間に適切な性質を持つ化合物を見つけることは困難である。 ここでは、与えられた分子構造のHOMOおよびLUMOエネルギーを迅速かつ正確に推定する機械学習モデルを開発する。
• 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: Organic semiconductors are promising materials for cheap, scalable and sustainable electronics, light-emitting diodes and photovoltaics. For organic photovoltaic cells, it is a challenge to find compounds with suitable properties in the vast chemical compound space. For example, the ionization energy should fit to the optical spectrum of sun light, and the energy levels must allow efficient charge transport. Here, a machine-learning model is developed for rapidly and accurately estimating the HOMO and LUMO energies of a given molecular structure. It is build upon the SchNet model (Sch\"utt et al. (2018)) and augmented with a `Set2Set' readout module (Vinyals et al. (2016)). The Set2Set module has more expressive power than sum and average aggregation and is more suitable for the complex quantities under consideration. Most previous models have been trained and evaluated on rather small molecules. Therefore, the second contribution is extending the scope of machine-learning methods by adding also larger molecules from other sources and establishing a consistent train/validation/test split. As a third contribution, we make a multitask ansatz to resolve the problem of different sources coming at different levels of theory. All three contributions in conjunction bring the accuracy of the model close to chemical accuracy.
• Abstract（参考訳）: 有機半導体は安価でスケーラブルで持続可能な電子機器、発光ダイオード、太陽光発電の材料として有望である。 有機太陽電池では、広大な化学化合物空間で適切な特性を持つ化合物を見つけることが課題である。 例えば、イオン化エネルギーは太陽光の光学スペクトルに適合し、エネルギー準位は効率的な電荷輸送を可能にする必要がある。 そこで、与えられた分子構造のHOMOおよびLUMOエネルギーを迅速かつ正確に推定する機械学習モデルを開発した。 SchNetモデル(Sch\"utt et al. (2018))の上に構築され、‘Set2Set’リードアウトモジュール(Vinyals et al. (2016))で拡張されている。 Set2Set モジュールは和や平均集約よりも表現力が高く、検討中の複素量に対してより適している。 以前のモデルのほとんどは、かなり小さな分子で訓練され、評価されてきた。 したがって、第2のコントリビューションは、他のソースからさらに大きな分子を追加し、一貫したトレイン/バリデーション/テスト分割を確立することによって、機械学習手法の範囲を広げることである。 第3の貢献としてマルチタスク ansatz を作成し、異なる理論のレベルから来る様々なソースの問題を解決する。 これら3つの貢献によって、モデルの正確性は化学的な正確さに近いものとなる。

関連論文リスト

• Nutmeg and SPICE: Models and Data for Biomolecular Machine Learning [1.747623282473278]
  SPICEデータセットは、機械学習ポテンシャルをトレーニングするための量子化学計算の集合である。 我々は、その上にNutmegと呼ばれるポテンシャルエネルギー関数のセットを訓練する。
  論文  参考訳（メタデータ） (2024-06-18T23:54:21Z)
• Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum Computer [50.24983453990065]
  我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。 我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。 興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
  論文  参考訳（メタデータ） (2023-06-14T14:44:12Z)
• 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)
• SPICE, A Dataset of Drug-like Molecules and Peptides for Training Machine Learning Potentials [1.7044177326714558]
  SPICEデータセットは、タンパク質と相互作用する薬物のような小さな分子のシミュレーションに関連するポテンシャルをトレーニングするための新しい量子化学データセットである。 この構造は、小さな分子、二量体、ジペプチド、および溶存アミノ酸の様々な集合に対する1100万以上のコンフォメーションを含んでいる。 15個の元素、荷電および非荷電分子、および幅広い共有結合および非共有結合相互作用を含む。 機械学習のポテンシャルのセットをトレーニングし、化学空間の広い領域にわたって化学的精度を達成できることを実証する。
  論文  参考訳（メタデータ） (2022-09-21T23:02:59Z)
• A theoretical perspective on molecular polaritonics [0.0]
  光と物質の相互作用によって生じる偏光現象は難しい課題であることが証明されている。 前者の振動スペクトルの正確な処理は鍵であり、単純化された量子モデルは多くの場合有効ではない。 損失と散逸は、吸収や放射線の形で、偏光子の理論的記述に含まれなければならない。
  論文  参考訳（メタデータ） (2022-01-08T13:29:46Z)
• Theoretical Challenges in Polaritonic Chemistry [0.0]
  ポラリトニック化学は、分子と閉じ込められた電磁場モードの間の強い光-物質結合を利用する。 波長スケールの光学キャビティでは、光-マター相互作用は集合効果によって制御される。 プラズモニックのサブ波長ナノキャビティにより、単一の分子でさえ強い結合に達することができる。
  論文  参考訳（メタデータ） (2021-11-16T11:50:19Z)
• Relativistic aspects of orbital and magnetic anisotropies in the chemical bonding and structure of lanthanide molecules [60.17174832243075]
  本研究では, 重同族ランタノイドEr2およびTm2分子の電子的およびロ-振動状態について, 最先端相対論的手法を適用して検討した。 我々は、91のEr2と36のTm2電子ポテンシャルを2つの基底状態原子に解離させることで、信頼できるスピン軌道と相関による分裂を得ることができた。
  論文  参考訳（メタデータ） (2021-07-06T15:34:00Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• A multiconfigurational study of the negatively charged nitrogen-vacancy center in diamond [55.58269472099399]
  広帯域ギャップ半導体の深い欠陥は、量子センシングと情報応用を実現するための主要な量子ビット候補として現れている。 ここでは、単一粒子処理とは異なり、伝統的に原子/分子に予約されていた多重構成量子化学法は、これらの欠陥中心の電子状態の多体特性を正確に記述する。
  論文  参考訳（メタデータ） (2020-08-24T01:49:54Z)
• Predicting molecular dipole moments by combining atomic partial charges and atomic dipoles [3.0980025155565376]
  高レベル結合クラスター理論を用いて計算した分子$boldsymbolmu$を再現するために、「MuML」モデルが組み合わされた。 校正委員会モデルを用いて予測の不確かさを確実に推定できることを実証する。
  論文  参考訳（メタデータ） (2020-03-27T14:35:37Z)
• Quantum Simulation of 2D Quantum Chemistry in Optical Lattices [59.89454513692418]
  本稿では,光学格子中の低温原子に基づく離散2次元量子化学モデルのアナログシミュレータを提案する。 まず、単一フェルミオン原子を用いて、HとH$+$の離散バージョンのような単純なモデルをシミュレートする方法を分析する。 次に、一つのボゾン原子が2つのフェルミオン間の効果的なクーロン反発を媒介し、2次元の水素分子の類似性をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:00:36Z)

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。