論文の概要: Ewald-based Long-Range Message Passing for Molecular Graphs
- arxiv url: http://arxiv.org/abs/2303.04791v1
- Date: Wed, 8 Mar 2023 18:41:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 12:53:50.569234
- Title: Ewald-based Long-Range Message Passing for Molecular Graphs
- Title(参考訳): 分子グラフのためのEwald-based Long-Range Message Passing
- Authors: Arthur Kosmala, Johannes Gasteiger, Nicholas Gao, Stephan G\"unnemann
- Abstract要約: 距離ではなく周波数のカットオフによる相互作用を制限する非局所フーリエ空間スキームであるEwaldメッセージパッシングを提案する。
エネルギーの堅牢な改善は、すべてのモデルとデータセットにおける絶対誤差を意味する。
解析の結果,これらの改良が地中真理エネルギーに対する長期的寄与が大きい構造に与える影響が明らかとなった。
- 参考スコア(独自算出の注目度): 1.573038298640368
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural architectures that learn potential energy surfaces from molecular data
have undergone fast improvement in recent years. A key driver of this success
is the Message Passing Neural Network (MPNN) paradigm. Its favorable scaling
with system size partly relies upon a spatial distance limit on messages. While
this focus on locality is a useful inductive bias, it also impedes the learning
of long-range interactions such as electrostatics and van der Waals forces. To
address this drawback, we propose Ewald message passing: a nonlocal Fourier
space scheme which limits interactions via a cutoff on frequency instead of
distance, and is theoretically well-founded in the Ewald summation method. It
can serve as an augmentation on top of existing MPNN architectures as it is
computationally cheap and agnostic to other architectural details. We test the
approach with four baseline models and two datasets containing diverse periodic
(OC20) and aperiodic structures (OE62). We observe robust improvements in
energy mean absolute errors across all models and datasets, averaging 10% on
OC20 and 16% on OE62. Our analysis shows an outsize impact of these
improvements on structures with high long-range contributions to the ground
truth energy.
- Abstract(参考訳): 分子データから潜在的なエネルギー表面を学ぶニューラルアーキテクチャは近年急速に改善されている。
この成功の鍵となる要因は、メッセージパッシングニューラルネットワーク(mpnn)パラダイムである。
システムサイズでの好ましいスケーリングは、部分的にメッセージの空間距離制限に依存する。
この局所性への焦点は誘導バイアスとして有用であるが、静電気やファンデルワールス力のような長距離相互作用の学習を妨げる。
この欠点に対処するために、距離ではなく周波数のカットオフによる相互作用を制限する非局所フーリエ空間スキームであるEwaldメッセージパッシングを提案する。
計算的に安価で、他のアーキテクチャの詳細と無関係であるため、既存のMPNNアーキテクチャの上の拡張として機能する。
4つのベースラインモデルと、多様な周期構造(OC20)と周期構造(OE62)を含む2つのデータセットを用いてアプローチを検証した。
すべてのモデルとデータセットにおいて、エネルギーの堅牢な改善は絶対的なエラーであり、oc20では10%、oe62では16%である。
解析の結果,これらの改良が地中真理エネルギーに対する長期的寄与が大きい構造に与える影響が明らかとなった。
関連論文リスト
- Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。
FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。
ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
論文 参考訳(メタデータ) (2023-12-19T18:00:15Z) - Long-Range Neural Atom Learning for Molecular Graphs [51.51514591597002]
分子内の原子群の集合情報を抽象化する、全ての原原子を数個のニューラル原子に暗黙的に射影する手法を提案する。
具体的には、ニューラル原子間で情報を明示的に交換し、それをエンハンスメントとして原子の表現に投影する。
この機構により、ニューラルネットワークは遠方のノード間の通信チャネルを確立し、任意のノード対の相互作用範囲を1つのホップに効果的に縮小する。
論文 参考訳(メタデータ) (2023-11-02T14:44:50Z) - Efficient Approximations of Complete Interatomic Potentials for Crystal
Property Prediction [63.4049850776926]
結晶構造は、3次元空間で無限に繰り返される最小単位セルからなる。
現在の手法は、近くのノード間だけにエッジを確立することによってグラフを構築する。
距離のみを用いるのではなく,物理を前提とした原子間ポテンシャルを直接モデル化することを提案する。
論文 参考訳(メタデータ) (2023-06-12T07:19:01Z) - A Heat Diffusion Perspective on Geodesic Preserving Dimensionality
Reduction [66.21060114843202]
熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。
その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。
また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
論文 参考訳(メタデータ) (2023-05-30T13:58:50Z) - Boosting Heterogeneous Catalyst Discovery by Structurally Constrained
Deep Learning Models [0.0]
グラフニューラルネットワーク(GNN)のようなディープラーニングアプローチは、新しい高性能触媒をモデル化するスコープを大幅に拡張する新たな機会を開く。
ここでは,Voronoiテッセルレーションにより改良したGNNの埋め込み改善について述べる。
データの適切な選択は、物理ベースで1原子あたり20 meV以上の値に誤差を減少させることができることを示す。
論文 参考訳(メタデータ) (2022-07-11T17:01:28Z) - Spherical Channels for Modeling Atomic Interactions [11.44635961607696]
本研究では,原子エネルギーと力のモデル化を目的としたSpherical Channel Network (SCN)を提案する。
SCNは、ノードが原子を表現し、隣の原子をエッジとするグラフニューラルネットワークである。
我々は、多数のタスクとメトリクスのエネルギーと力の予測において、大規模なOpen Catalyst 2020データセットで結果を示す。
論文 参考訳(メタデータ) (2022-06-29T00:03:14Z) - Towards Training Billion Parameter Graph Neural Networks for Atomic
Simulations [11.328193255838986]
グラフ並列性(Graph Parallelism)は、入力グラフを複数のGPUに分散する手法であり、数十億から数十億のパラメータで非常に大きなGNNをトレーニングすることができる。
大規模Open Catalyst 2020データセットでは、これらのグラフ並列化モデルは、S2EFタスクの力MAEメトリックで15%、IS2RSタスクのAFbTメトリックで21%の相対的な改善をもたらす。
論文 参考訳(メタデータ) (2022-03-18T01:54:34Z) - Parameter-Efficient Mixture-of-Experts Architecture for Pre-trained
Language Models [68.9288651177564]
量子多体物理学から行列積演算子(MPO)に基づく新しいMoEアーキテクチャを提案する。
分解されたMPO構造により、元のMoEアーキテクチャのパラメータを減らすことができる。
GPT2に基づく3つの有名な下流自然言語データセットの実験は、モデルキャパシティの向上における性能と効率の向上を示している。
論文 参考訳(メタデータ) (2022-03-02T13:44:49Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳(メタデータ) (2020-02-12T11:10:00Z)
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。