Fugu-MT 論文翻訳(概要): Geometric Deep Learning for Molecular Crystal Structure Prediction

論文の概要: Geometric Deep Learning for Molecular Crystal Structure Prediction

arxiv url: http://arxiv.org/abs/2303.10140v1
Date: Fri, 17 Mar 2023 17:27:47 GMT
ステータス: 処理完了
システム内更新日: 2023-03-20 13:40:02.318675
Title: Geometric Deep Learning for Molecular Crystal Structure Prediction
Title（参考訳）: 分子結晶構造予測のための幾何学的深層学習
Authors: Michael Kilgour, Jutta Rogal, Mark Tuckerman
Abstract要約: 我々は,分子構造ランキングと結晶特性予測を高速化する新しい機械学習戦略を開発し,検証する。私たちの密度予測モデルであるMollXtalNet-Dは、大規模で多様なテストデータセット上で2%未満の絶対誤差で、アートパフォーマンスの状態を達成します。我々の結晶ランキングツールであるMollXtalNet-Sは、合成された偽物から実験サンプルを正しく識別する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We develop and test new machine learning strategies for accelerating molecular crystal structure ranking and crystal property prediction using tools from geometric deep learning on molecular graphs. Leveraging developments in graph-based learning and the availability of large molecular crystal datasets, we train models for density prediction and stability ranking which are accurate, fast to evaluate, and applicable to molecules of widely varying size and composition. Our density prediction model, MolXtalNet-D, achieves state of the art performance, with lower than 2% mean absolute error on a large and diverse test dataset. Our crystal ranking tool, MolXtalNet-S, correctly discriminates experimental samples from synthetically generated fakes and is further validated through analysis of the submissions to the Cambridge Structural Database Blind Tests 5 and 6. Our new tools are computationally cheap and flexible enough to be deployed within an existing crystal structure prediction pipeline both to reduce the search space and score/filter crystal candidates.
Abstract（参考訳）: 分子グラフの幾何学的深層学習ツールを用いて,分子結晶構造ランキングと結晶特性予測を高速化するための新しい機械学習戦略を開発し,検証する。グラフベース学習の発展と大規模分子結晶データセットの利用可能性を活用して, 精度が高く, 評価が早く, 幅広い大きさと組成の分子に適用可能な密度予測と安定性ランキングのモデルを訓練する。私たちの密度予測モデルであるMollXtalNet-Dは、大規模で多様なテストデータセット上で2%未満の絶対誤差で、アートパフォーマンスの状態を達成します。結晶ランキングツールである MolXtalNet-S は,合成された偽物から実験試料を正しく識別し,ケンブリッジ構造データベース Blind Tests 5 および 6 への提出品の分析によりさらに検証する。我々の新しいツールは、探索空間とスコア/フィルタ結晶候補を減らすために、既存の結晶構造予測パイプラインに配置できるほど安価で柔軟である。

関連論文リスト

Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文参考訳（メタデータ） (2024-11-03T01:56:15Z)
CrystalX: Ultra-Precision Crystal Structure Resolution and Error Correction Using Deep Learning [44.02107704258412]
本研究では,全原子レベルでの超精密構造解析モデルであるCrystalXを開発した。このモデルを検証するために,5万回以上のX線回折測定を行った。このディープラーニングモデルは、結晶構造解析の時間枠に革命をもたらし、それを数秒に短縮する。
論文参考訳（メタデータ） (2024-10-17T16:12:55Z)
Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。材料の生成モデルを評価するための追加指標を提案する。
論文参考訳（メタデータ） (2023-10-18T15:49:39Z)
Latent Conservative Objective Models for Data-Driven Crystal Structure Prediction [62.36797874900395]
計算化学において、結晶構造予測は最適化問題である。この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
論文参考訳（メタデータ） (2023-10-16T04:35:44Z)
Data-Driven Score-Based Models for Generating Stable Structures with Adaptive Crystal Cells [1.515687944002438]
本研究は, 化学安定性や化学組成など, 新しい結晶構造を創出することを目的としている。提案手法の新規性は、結晶細胞の格子が固定されていないという事実にある。対称性の制約を尊重し、計算上の優位性をもたらす多グラフ結晶表現が導入された。
論文参考訳（メタデータ） (2023-10-16T02:53:24Z)
Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
論文参考訳（メタデータ） (2023-10-07T21:36:55Z)
CrysGNN : Distilling pre-trained knowledge to enhance property prediction for crystalline materials [25.622724168215097]
本稿では結晶材料のための新しいトレーニング済みGNNフレームワークであるCrysGNNについて述べる。これは、未ラベルの材料データを用いて、結晶グラフのノードレベルとグラフレベルの構造情報をキャプチャする。我々は、事前訓練されたモデルから知識を抽出することで、全てのSOTAアルゴリズムがベニラバージョンを良好なマージンで上回ることができることを示す広範囲な実験を行った。
論文参考訳（メタデータ） (2023-01-14T08:12:01Z)
Calibration and generalizability of probabilistic models on low-data chemical datasets with DIONYSUS [0.0]
我々は、小さな化学データセット上での確率論的機械学習モデルの校正と一般化可能性について広範な研究を行う。私たちは、さまざまなタスク(バイナリ、回帰)とデータセットにおける予測と不確実性の品質を分析します。我々は、新しい化学実験において一般的なシナリオである、小さな化学データセットをモデル化するためのモデルと特徴の選択に関する実践的な洞察を提供する。
論文参考訳（メタデータ） (2022-12-03T08:19:06Z)
Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
論文参考訳（メタデータ） (2022-02-22T15:39:00Z)
Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
論文参考訳（メタデータ） (2022-02-01T03:53:39Z)
On Open and Strong-Scaling Tools for Atom Probe Crystallography: High-Throughput Methods for Indexing Crystal Structure and Orientation [0.0]
体積結晶構造インデクシングと配向マッピングは空間相関の定量的研究のための重要なデータ処理ステップである。原子プローブトモグラフィー(APT)実験では、多くのAPTデータセットが大きなノイズを含む可能性があるため、測定されたパターンと解析されたパターンの比較戦略はより堅牢である。複数の位相を持つナノ結晶APTデータセットにおける結晶構造と結晶配向の同定と自動同定のためのオープンソースソフトウェアツールの開発を可能にする方法について報告する。
論文参考訳（メタデータ） (2020-09-01T22:50:03Z)

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。