論文の概要: Highly Accurate Quantum Chemical Property Prediction with Uni-Mol+

• arxiv url: http://arxiv.org/abs/2303.16982v2
• Date: Fri, 7 Jul 2023 06:38:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-10 15:35:43.406991
• Title: Highly Accurate Quantum Chemical Property Prediction with Uni-Mol+
• Title（参考訳）: Uni-Mol+を用いた高精度量子化学特性予測
• Authors: Shuqi Lu, Zhifeng Gao, Di He, Linfeng Zhang, Guolin Ke
• Abstract要約: 量子化学(QC)特性の予測を高速化するために,Uni-Mol+と呼ばれる新しい手法を提案する。 2トラックトランスフォーマーモデルバックボーンを導入し、QC特性予測タスクでトレーニングする。 ベンチマークの結果,提案したUni-Mol+はQC特性予測の精度を大幅に向上することが示された。
• 参考スコア（独自算出の注目度）: 36.61144345418364
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent developments in deep learning have made remarkable progress in speeding up the prediction of quantum chemical (QC) properties by removing the need for expensive electronic structure calculations like density functional theory. However, previous methods learned from 1D SMILES sequences or 2D molecular graphs failed to achieve high accuracy as QC properties primarily depend on the 3D equilibrium conformations optimized by electronic structure methods, far different from the sequence-type and graph-type data. In this paper, we propose a novel approach called Uni-Mol+ to tackle this challenge. Uni-Mol+ first generates a raw 3D molecule conformation from inexpensive methods such as RDKit. Then, the raw conformation is iteratively updated to its target DFT equilibrium conformation using neural networks, and the learned conformation will be used to predict the QC properties. To effectively learn this update process towards the equilibrium conformation, we introduce a two-track Transformer model backbone and train it with the QC property prediction task. We also design a novel approach to guide the model's training process. Our extensive benchmarking results demonstrate that the proposed Uni-Mol+ significantly improves the accuracy of QC property prediction in various datasets. We have made the code and model publicly available at \url{https://github.com/dptech-corp/Uni-Mol}.
• Abstract（参考訳）: 近年の深層学習の進歩は、密度汎関数理論のような高価な電子構造計算の必要性をなくし、量子化学(qc)特性の予測を高速化する上で大きな進歩を遂げている。 しかし,1次元SMILES配列や2次元分子グラフから得られた従来の手法は,QC特性が電子構造法で最適化された3次元平衡配座に依存するため,精度が向上しなかった。 本稿では,Uni-Mol+と呼ばれる新しいアプローチを提案する。 Uni-Mol+はRDKitのような安価な方法から生の3D分子コンホメーションを生成する。 次に、ニューラルネットワークを用いてターゲットのDFT平衡コンフォメーションに生のコンフォメーションを反復的に更新し、学習されたコンフォメーションを使用してQC特性を予測する。 この更新プロセスを平衡整合性に向けて効果的に学習するため、2トラックトランスフォーマーモデルバックボーンを導入し、QC特性予測タスクでトレーニングする。 また、モデルのトレーニングプロセスを導くための新しいアプローチも設計する。 提案したUni-Mol+は,様々なデータセットにおけるQC特性予測の精度を大幅に向上することを示す。 コードとモデルは、 \url{https://github.com/dptech-corp/Uni-Mol}で公開しました。

関連論文リスト

• COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs [5.759388420139191]
  液体電解質の組成に基づいてクーロン効率(CE)を自動的に予測する新しい手法を提案する。 得られた電解質の特徴を多層パーセプトロンまたはコルモゴロフ・アルノルドネットワークに入力してCEを予測する。 実世界のデータセットを用いた実験結果から,本手法はCE予測のためのSOTAを全ベースラインと比較した結果を得た。
  論文  参考訳（メタデータ） (2024-07-24T14:45:25Z)
• Variational Monte Carlo on a Budget -- Fine-tuning pre-trained Neural Wavefunctions [5.145741425164946]
  深層学習に基づく変分モンテカルロ(DL-VMC)は、最近、精度の点で従来の手法よりも優れているが、計算コストが大きい。 本稿では,大規模かつ化学的に多様な分子集合上での自己教師付き波動関数最適化を用いたDL-VMCモデルを提案する。 このモデルを最適化せずに新しい分子に適用すると、波動関数や絶対エネルギーが得られ、CCSD(T)-2Zのような確立された手法よりも優れる。
  論文  参考訳（メタデータ） (2023-07-15T09:56:22Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• Heterogenous Ensemble of Models for Molecular Property Prediction [55.91865861896012]
  分子の異なるモーダル性を考える手法を提案する。 これらのモデルをHuberRegressorでアンサンブルします。 これにより、OGB Large-Scale Challenge (2022)の2textsuperscriptndエディションの勝利のソリューションが得られる。
  論文  参考訳（メタデータ） (2022-11-20T17:25:26Z)
• 3D Equivariant Molecular Graph Pretraining [42.957880677779556]
  完全かつ新しい意味での3D分子プレトレーニングに取り組む。 まず,3次元空間の対称性を満たすことのメリットを享受する事前学習のバックボーンとして,同変エネルギーベースモデルを採用することを提案する。 大規模3DデータセットGEOM-QM9から事前学習したモデルを,MD17とQM9の2つの挑戦的な3Dベンチマークで評価した。
  論文  参考訳（メタデータ） (2022-07-18T16:26:24Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• SE(3)-equivariant prediction of molecular wavefunctions and electronic densities [4.2572103161049055]
  本稿では,幾何点クラウドデータのためのディープラーニングアーキテクチャを構築するための汎用SE(3)-同変演算とビルディングブロックを紹介する。 本モデルでは,従来の最先端モデルと比較して,予測誤差を最大2桁まで低減する。 低精度参照波動関数で訓練されたモデルが電子的多体相互作用の正当性を暗黙的に学習するトランスファーラーニングアプリケーションにおいて、我々のアプローチの可能性を実証する。
  論文  参考訳（メタデータ） (2021-06-04T08:57:46Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)
• Automated discovery of a robust interatomic potential for aluminum [4.6028828826414925]
  機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。 アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。 アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証 転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
  論文  参考訳（メタデータ） (2020-03-10T19:06:32Z)

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。