論文の概要: Knowledge Discovery from Atomic Structures using Feature Importances

• arxiv url: http://arxiv.org/abs/2303.09453v1
• Date: Tue, 28 Feb 2023 11:54:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-19 11:31:16.619287
• Title: Knowledge Discovery from Atomic Structures using Feature Importances
• Title（参考訳）: 特徴量を用いた原子構造からの知識発見
• Authors: Joakim Linja and Joonas H\"am\"al\"ainen and Antti Pihlajam\"aki and Paavo Nieminen and Sami Malola and Hannu H\"akkinen and Tommi K\"arkk\"ainen
• Abstract要約: 原子構造の構成要素間の相互作用の分子レベルでの理解は、新しい材料の設計に不可欠である。 この必要性は、原子の数と種類、化学組成、化学相互作用の性格に関する基本的な知識以上のものとなる。 原子間相互作用に対処する別の方法は、予測的なDFTサロゲートを構築して分析する、解釈可能な機械学習アプローチを使用することである。
• 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: Molecular-level understanding of the interactions between the constituents of an atomic structure is essential for designing novel materials in various applications. This need goes beyond the basic knowledge of the number and types of atoms, their chemical composition, and the character of the chemical interactions. The bigger picture takes place on the quantum level which can be addressed by using the Density-functional theory (DFT). Use of DFT, however, is a computationally taxing process, and its results do not readily provide easily interpretable insight into the atomic interactions which would be useful information in material design. An alternative way to address atomic interactions is to use an interpretable machine learning approach, where a predictive DFT surrogate is constructed and analyzed. The purpose of this paper is to propose such a procedure using a modification of the recently published interpretable distance-based regression method. Our tests with a representative benchmark set of molecules and a complex hybrid nanoparticle confirm the viability and usefulness of the proposed approach.
• Abstract（参考訳）: 原子構造の構成要素間の相互作用の分子レベルでの理解は、様々な応用において新しい材料の設計に不可欠である。 この必要性は、原子の数と種類、化学組成、化学相互作用の性格に関する基本的な知識以上のものとなる。 より大きな図は量子レベルで行われ、密度汎関数理論(dft)を用いて対処できる。 しかし、DFTの使用は計算的な課税プロセスであり、その結果は、材料設計において有用な情報となる原子間相互作用に対する容易に解釈可能な洞察を提供するものではない。 原子間相互作用に対処する別の方法は、予測的なDFTサロゲートを構築して分析する、解釈可能な機械学習アプローチを使用することである。 本稿では,最近発表された解釈可能な距離ベース回帰法を改良した手法を提案する。 代表的な分子群と複雑なハイブリッドナノ粒子を用いた実験により,提案手法の有効性と有用性を確認した。

関連論文リスト

• Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
  金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。 炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
  論文  参考訳（メタデータ） (2024-05-09T19:51:27Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• 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)
• Discovery of structure-property relations for molecules via hypothesis-driven active learning over the chemical space [0.0]
  本稿では,仮説学習に基づく化学空間上の能動的学習のための新しいアプローチを提案する。 我々は,データサブセットの小さな部分集合に基づいて,関心の構造と機能の関係性に関する仮説を構築した。 このアプローチでは、SISSOやアクティブラーニングといったシンボリックレグレッションメソッドの要素をひとつのフレームワークに統合する。
  論文  参考訳（メタデータ） (2023-01-06T14:22:43Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
  分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。 分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
  論文  参考訳（メタデータ） (2021-10-26T14:14:40Z)
• 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)
• Learning the exchange-correlation functional from nature with fully differentiable density functional theory [0.0]
  我々は、完全に微分可能な3次元コーン・シャム密度汎関数論フレームワーク内での交換相関関数を置き換えるためにニューラルネットワークを訓練する。 我々の訓練された交換相関ネットワークは110分子の集合体における原子化とイオン化エネルギーの予測を改善した。
  論文  参考訳（メタデータ） (2021-02-08T14:25:10Z)
• 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)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。