論文の概要: Simplicial Message Passing for Chemical Property Prediction
- arxiv url: http://arxiv.org/abs/2307.05392v1
- Date: Fri, 9 Jun 2023 10:10:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-16 03:44:58.860806
- Title: Simplicial Message Passing for Chemical Property Prediction
- Title（参考訳）: 化学特性予測のための簡易メッセージパッシング
- Authors: Hai Lan, Xian Wei
- Abstract要約: 本研究は,分子のトポロジ的情報をよりよく捉えるために,SMP(Simplicial Message Passing)フレームワークを提案する。
我々は、量子化学特性予測のためのディープラーニングアーキテクチャにSMPフレームワークを適用した。
その結果, 従来のMPNNと比較して, 分子の複雑な構造をよりよく捉えることができた。
- 参考スコア（独自算出の注目度）: 6.359302681867574
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently, message-passing Neural networks (MPNN) provide a promising tool for
dealing with molecular graphs and have achieved remarkable success in
facilitating the discovery and materials design with desired properties.
However, the classical MPNN methods also suffer from a limitation in capturing
the strong topological information hidden in molecular structures, such as
nonisomorphic graphs. To address this problem, this work proposes a Simplicial
Message Passing (SMP) framework to better capture the topological information
from molecules, which can break through the limitation within the vanilla
message-passing paradigm. In SMP, a generalized message-passing framework is
established for aggregating the information from arbitrary-order simplicial
complex, and a hierarchical structure is elaborated to allow information
exchange between different order simplices. We apply the SMP framework within
deep learning architectures for quantum-chemical properties prediction and
achieve state-of-the-art results. The results show that compared to traditional
MPNN, involving higher-order simplex can better capture the complex structure
of molecules and substantially enhance the performance of tasks. The SMP-based
model can provide a generalized framework for GNNs and aid in the discovery and
design of materials with tailored properties for various applications.
- Abstract（参考訳）: 近年、メッセージパッシングニューラルネットワーク(mpnn)は、分子グラフを扱う有望なツールを提供し、望ましい特性を持つ発見と材料設計の促進に顕著な成功を収めている。
しかし、古典的なmpnn法は、非同型グラフのような分子構造に隠された強い位相情報を捉えることに制限を受ける。
この問題に対処するため,本研究では,分子のトポロジ的情報をよりよく捉え,バニラメッセージパッシングパラダイムの限界を突破できるSMP(Simplicial Message Passing)フレームワークを提案する。
SMPでは、任意の順序のsimplicialコンプレックスから情報を集約するための一般化されたメッセージパッシングフレームワークを確立し、異なる順序のsimplice間の情報交換を可能にする階層構造を詳述する。
我々は,smpフレームワークをディープラーニングアーキテクチャに適用し,量子化学的特性予測を行い,最新の結果を得る。
その結果, 従来のMPNNと比較して, 高次単純度を含む場合, 分子の複雑な構造をよりよく捉え, タスクの性能を大幅に向上させることができることがわかった。
SMPベースのモデルは、GNNの一般化されたフレームワークを提供し、様々な用途に適した素材の発見と設計を支援することができる。
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) - Topological Deep Learning with State-Space Models: A Mamba Approach for Simplicial Complexes [4.787059527893628]
本稿では,Mamba状態空間モデルをバックボーンとして利用して,単純な複素数を扱うように設計された新しいアーキテクチャを提案する。
提案手法は, 隣接セルをベースとしたノードのシーケンスを生成し, ランクに関わらず, 上位構造間の直接通信を可能にする。
論文 参考訳（メタデータ） (2024-09-18T14:49:25Z) - Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。
提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。
これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文 参考訳（メタデータ） (2024-09-09T12:56:02Z) - Topological Blind Spots: Understanding and Extending Topological Deep Learning Through the Lens of Expressivity [16.85143734063591]
トポロジカルディープラーニング(TDL)は、トポロジカル構造で表されるデータからの学習を容易にする。
本稿では,高次メッセージパッシング(HOMP)の長所と短所について検討する。
我々は,マルチセルネットワーク(MCN)とスケーラブルマルチセルネットワーク(SMCN)という,TDLモデルの2つの新しいクラスを開発する。
論文 参考訳（メタデータ） (2024-08-10T08:27:58Z) - MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular
Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。
MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。
いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文 参考訳（メタデータ） (2022-12-20T19:32:30Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - Automatic Identification of Chemical Moieties [11.50343898633327]
本稿では, メッセージパッシングニューラルネットワークを用いて, 原子表現から化学量を自動的に同定する手法を提案する。
本手法の汎用性は, 化学データベースにおける代表成分の選択を可能にすることによって実証される。
論文 参考訳（メタデータ） (2022-03-30T10:58:23Z) - Do Large Scale Molecular Language Representations Capture Important
Structural Information? [31.76876206167457]
本稿では,MoLFormerと呼ばれる効率的なトランスフォーマーエンコーダモデルのトレーニングにより得られた分子埋め込みについて述べる。
実験の結果,グラフベースおよび指紋ベースによる教師付き学習ベースラインと比較して,学習された分子表現が競合的に機能することが確認された。
論文 参考訳（メタデータ） (2021-06-17T14:33:55Z) - Graph Neural Network Architecture Search for Molecular Property
Prediction [1.0965065178451106]
分子特性予測のためのグラフニューラルネットワーク(GNN)の設計と開発を自動化するNAS手法を開発した。
具体的には、量子力学および物理化学データセットにおける小分子の分子特性を予測するために、メッセージパッシングニューラルネットワーク(MPNN)の自動開発に焦点を当てる。
論文 参考訳（メタデータ） (2020-08-27T15:30:57Z) - Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。
MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。
我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文 参考訳（メタデータ） (2020-05-17T04:46:07Z)
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。