論文の概要: Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials

• arxiv url: http://arxiv.org/abs/2306.09375v1
• Date: Thu, 15 Jun 2023 05:37:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-19 16:34:23.240450
• Title: Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials
• Title（参考訳）: 分子, タンパク質, 結晶材料の対称性インフォームド幾何表現
• Authors: Shengchao Liu, Weitao Du, Yanjing Li, Zhuoxinran Li, Zhiling Zheng, Chenru Duan, Zhiming Ma, Omar Yaghi, Anima Anandkumar, Christian Borgs, Jennifer Chayes, Hongyu Guo, Jian Tang
• Abstract要約: 幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
• 参考スコア（独自算出の注目度）: 66.14337835284628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence for scientific discovery has recently generated significant interest within the machine learning and scientific communities, particularly in the domains of chemistry, biology, and material discovery. For these scientific problems, molecules serve as the fundamental building blocks, and machine learning has emerged as a highly effective and powerful tool for modeling their geometric structures. Nevertheless, due to the rapidly evolving process of the field and the knowledge gap between science (e.g., physics, chemistry, & biology) and machine learning communities, a benchmarking study on geometrical representation for such data has not been conducted. To address such an issue, in this paper, we first provide a unified view of the current symmetry-informed geometric methods, classifying them into three main categories: invariance, equivariance with spherical frame basis, and equivariance with vector frame basis. Then we propose a platform, coined Geom3D, which enables benchmarking the effectiveness of geometric strategies. Geom3D contains 16 advanced symmetry-informed geometric representation models and 14 geometric pretraining methods over 46 diverse datasets, including small molecules, proteins, and crystalline materials. We hope that Geom3D can, on the one hand, eliminate barriers for machine learning researchers interested in exploring scientific problems; and, on the other hand, provide valuable guidance for researchers in computational chemistry, structural biology, and materials science, aiding in the informed selection of representation techniques for specific applications.
• Abstract（参考訳）: 科学発見のための人工知能は、最近、特に化学、生物学、材料発見の分野において、機械学習と科学コミュニティにおいて大きな関心を集めている。 これらの科学的問題に対して、分子は基本的な構成要素として機能し、機械学習は幾何学構造をモデル化するための非常に効果的で強力なツールとして登場した。 しかし、この分野の急速な発展と科学(物理学、化学、生物学など)と機械学習のコミュニティの間の知識ギャップのため、そのようなデータの幾何学的表現に関するベンチマーク研究は行われていない。 このような問題に対処するため、本稿では、まず現在の対称性インフォームド幾何手法の統一ビューを提供し、これらを不変性、球面の同値性、ベクトルフレームの同値性という3つの主要なカテゴリに分類する。 次に,幾何戦略の有効性をベンチマークするプラットフォームgeom3dを提案する。 Geom3Dには16の高度な対称性インフォームド幾何表現モデルと、46の多様なデータセット(小さな分子、タンパク質、結晶材料を含む14の幾何学的事前学習方法が含まれている。 他方、Geom3Dは科学的な問題を探究する機械学習研究者の障壁を排除し、一方、計算化学、構造生物学、材料科学の研究者にとって貴重なガイダンスを提供し、特定の応用のための情報的表現技術の選択を支援することを願っている。

関連論文リスト

• Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
  本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。 本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
  論文  参考訳（メタデータ） (2024-07-11T09:04:12Z)
• Geometry-aware framework for deep energy method: an application to structural mechanics with hyperelastic materials [2.271910267215261]
  本稿では,構造力学問題の解法としてGeometry-Aware Deep Energy Method (GADEM) という物理インフォームドフレームワークを提案する。 本研究は,幾何学的情報表現と幾何学的潜伏ベクトルの符号化の異なる方法について検討する。 本稿では,玩具タイヤの載荷シミュレーションなど,固体力学問題へのGADEMの適用について述べる。
  論文  参考訳（メタデータ） (2024-05-06T12:47:16Z)
• A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [67.33002207179923]
  本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。 幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。 また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
  論文  参考訳（メタデータ） (2024-03-01T12:13:04Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
  機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
  論文  参考訳（メタデータ） (2022-03-11T18:27:04Z)
• Geometric Algebra Attention Networks for Small Point Clouds [0.0]
  物理科学における問題は、2次元または3次元空間における比較的小さな点集合を扱う。 これらの小点雲上での深層学習のための回転・置換同変アーキテクチャを提案する。 物理, 化学, 生物学に関連するサンプル問題を, モデルを用いて解くことにより, これらのアーキテクチャの有用性を実証する。
  論文  参考訳（メタデータ） (2021-10-05T22:52:12Z)
• GeoT: A Geometry-aware Transformer for Reliable Molecular Property Prediction and Chemically Interpretable Representation Learning [16.484048833163282]
  GeoT(Geometry-aware Transformer)という,分子表現学習のためのトランスフォーマーベースの新しいフレームワークを提案する。 GeoTは、分子特性予測と同様に、信頼性の高い解釈性を提供するように設計された注意に基づくメカニズムを通じて、分子グラフ構造を学習する。 実験的なシミュレーションを含む包括的実験により、GeoTは分子構造に関する化学的な洞察を効果的に学習し、人工知能と分子科学のギャップを埋めることを明らかにした。
  論文  参考訳（メタデータ） (2021-06-29T15:47:18Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。