論文の概要: EspalomaCharge: Machine learning-enabled ultra-fast partial charge
assignment
- arxiv url: http://arxiv.org/abs/2302.06758v1
- Date: Tue, 14 Feb 2023 00:02:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-15 16:48:43.057587
- Title: EspalomaCharge: Machine learning-enabled ultra-fast partial charge
assignment
- Title（参考訳）: EspalomaCharge: 機械学習対応超高速部分電荷割り当て
- Authors: Yuanqing Wang, Iv\'an Pulido, Kenichiro Takaba, Benjamin Kaminow,
Jenke Scheen, Lily Wang, John D. Chodera
- Abstract要約: 原子部分電荷は分子動力学(MD)シミュレーションにおいて重要なパラメータである。
広範に普及しているAM1-BCC電荷モデルに対して,物理/グラフニューラルネットワークに基づくハイブリッド近似を提案する。
このハイブリッドアプローチは原子数と線形にスケールし、小さな分子や生体高分子に対して完全に一貫した電荷モデルを使用することができる。
- 参考スコア（独自算出の注目度）: 0.8081564951955756
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atomic partial charges are crucial parameters in molecular dynamics (MD)
simulation, dictating the electrostatic contributions to intermolecular
energies, and thereby the potential energy landscape. Traditionally, the
assignment of partial charges has relied on surrogates of \textit{ab initio}
semiempirical quantum chemical methods such as AM1-BCC, and is expensive for
large systems or large numbers of molecules. We propose a hybrid physical /
graph neural network-based approximation to the widely popular AM1-BCC charge
model that is orders of magnitude faster while maintaining accuracy comparable
to differences in AM1-BCC implementations. Our hybrid approach couples a graph
neural network to a streamlined charge equilibration approach in order to
predict molecule-specific atomic electronegativity and hardness parameters,
followed by analytical determination of optimal charge-equilibrated parameters
that preserves total molecular charge. This hybrid approach scales linearly
with the number of atoms, enabling, for the first time, the use of fully
consistent charge models for small molecules and biopolymers for the
construction of next-generation self-consistent biomolecular force fields.
Implemented in the free and open source package \texttt{espaloma\_charge}, this
approach provides drop-in replacements for both AmberTools \texttt{antechamber}
and the Open Force Field Toolkit charging workflows, in addition to stand-alone
charge generation interfaces. Source code is available at
\url{https://github.com/choderalab/espaloma_charge}.
- Abstract（参考訳）: 原子部分電荷は分子動力学(MD)シミュレーションにおいて重要なパラメータであり、分子間エネルギーへの静電気的寄与を予測し、ポテンシャルエネルギーの展望を予測している。
伝統的に、部分電荷の割り当ては、AM1-BCCのような半経験的量子化学手法のサロゲートに依存しており、大きな系や多数の分子にとって高価である。
本稿では、AM1-BCC実装の違いに匹敵する精度を維持しつつ、桁違いに高速なAM1-BCC電荷モデルに対するハイブリッド物理/グラフニューラルネットワークに基づく近似を提案する。
我々のハイブリッドアプローチは、分子固有の原子電子陰性度と硬度パラメータを予測するために、グラフニューラルネットワークと、全分子電荷を保存する最適な電荷平衡パラメータを解析的に決定する。
このハイブリッドアプローチは、原子数と線形にスケールし、初めて、次世代の自己整合型生体分子力場を構築するために、小さな分子や生体高分子に対して完全に一貫した電荷モデルを使用することを可能にした。
このアプローチは、フリーでオープンソースのパッケージである \texttt{espaloma\_charge} に実装されており、スタンドアローンの充電インターフェースに加えて、AmberTools \texttt{antechamber} と Open Force Field Toolkit の充電ワークフローをドロップインで置き換える。
ソースコードは \url{https://github.com/choderalab/espaloma_charge} で入手できる。
関連論文リスト
- End-to-End Reaction Field Energy Modeling via Deep Learning based Voxel-to-voxel Transform [0.8852892045299524]
本稿では,ニューラルネットワークに基づく偏微分方程式解法の最近の進歩に触発された,新しい機械学習手法PBNeFを紹介する。
本手法はPB方程式の入力および境界静電条件を学習可能なボクセル表現に定式化する。
PBNeFは従来のPBソルバに比べて100倍以上のスピードアップを達成した。
論文 参考訳（メタデータ） (2024-10-04T21:11:17Z) - 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) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - 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) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule
Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。
異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。
11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文 参考訳（メタデータ） (2023-06-02T15:49:45Z) - 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) - Collective dynamics Using Truncated Equations (CUT-E): simulating the
collective strong coupling regime with few-molecule models [0.0]
我々は置換対称性を利用して、大きな$N$に対するtextitab-initio量子力学シミュレーションの計算コストを大幅に削減する。
我々は、$k$余剰有効分子を加えると、$mathcalO(N-k)$とスケールする現象を考慮に入れるのに十分であることを示した。
論文 参考訳（メタデータ） (2022-09-11T22:49:29Z) - Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。
これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。
力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
論文 参考訳（メタデータ） (2021-09-07T20:01:22Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳（メタデータ） (2020-10-05T20:18:42Z) - End-to-End Differentiable Molecular Mechanics Force Field Construction [0.5269923665485903]
化学環境を知覚するためにグラフニューラルネットワークを用いる別のアプローチを提案する。
プロセス全体がモジュール化されており、モデルパラメータに関してエンドツーエンドの差別化が可能である。
本手法は, 従来の原子型を再現するだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
論文 参考訳（メタデータ） (2020-10-02T20:59:46Z) - 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)
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。