論文の概要: Understanding the Structure of QM7b and QM9 Quantum Mechanical Datasets Using Unsupervised Learning

• arxiv url: http://arxiv.org/abs/2309.15130v1
• Date: Mon, 25 Sep 2023 23:06:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-28 18:29:37.165895
• Title: Understanding the Structure of QM7b and QM9 Quantum Mechanical Datasets Using Unsupervised Learning
• Title（参考訳）: 教師なし学習を用いたQM7bとQM9量子メカニカルデータセットの構造理解
• Authors: Julio J. Vald\'es and Alain B. Tchagang
• Abstract要約: 本研究では本研究に本質的な分析,クラスタリング,および外乱検出手法を用いた。 QM7bデータは、原子組成に関連する明確に定義されたクラスタで構成されている。 QM9データは、主に外れ値からなる外側領域と、クラスタ化されたインライナーオブジェクトに集中する内側コア領域で構成されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper explores the internal structure of two quantum mechanics datasets (QM7b, QM9), composed of several thousands of organic molecules and described in terms of electronic properties. Understanding the structure and characteristics of this kind of data is important when predicting the atomic composition from the properties in inverse molecular designs. Intrinsic dimension analysis, clustering, and outlier detection methods were used in the study. They revealed that for both datasets the intrinsic dimensionality is several times smaller than the descriptive dimensions. The QM7b data is composed of well defined clusters related to atomic composition. The QM9 data consists of an outer region predominantly composed of outliers, and an inner core region that concentrates clustered, inliner objects. A significant relationship exists between the number of atoms in the molecule and its outlier/inner nature. Despite the structural differences, the predictability of variables of interest for inverse molecular design is high. This is exemplified with models estimating the number of atoms of the molecule from both the original properties, and from lower dimensional embedding spaces.
• Abstract（参考訳）: 本稿では, 数千個の有機分子からなる2つの量子力学データセット (QM7b, QM9) の内部構造について検討し, 電子的性質の観点から述べる。 この種のデータの構造と特性を理解することは、逆分子設計における特性から原子組成を予測する際に重要である。 本研究は内在次元解析,クラスタリング,異常検出法を用いて行った。 両データセットについて、内在次元は記述次元よりも数倍小さいことが判明した。 QM7bデータは、原子組成に関連する明確に定義されたクラスタで構成されている。 QM9データは、主に外れ値からなる外側領域と、クラスタ化されたインライナーオブジェクトに集中する内側コア領域で構成されている。 分子中の原子の数と外層/内層の性質の間に有意な関係がある。 構造的差異にもかかわらず、逆分子設計における関心変数の予測可能性が高い。 これは、元の性質と低次元埋め込み空間の両方から分子の原子数を推定するモデルで例示される。

関連論文リスト

• Molecular topological deep learning for polymer property prediction [18.602659324026934]
  高分子特性解析のための分子トポロジカルディープラーニング(Mol-TDL)を開発した。 Mol-TDLは高次相互作用とマルチスケール特性の両方をトポロジカルディープラーニングアーキテクチャに組み込んでいる。
  論文  参考訳（メタデータ） (2024-10-07T05:44:02Z)
• 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)
• 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)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• 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)
• GEM-2: Next Generation Molecular Property Prediction Network with Many-body and Full-range Interaction Modeling [24.94616336296936]
  GEM-2は分子のシュリンガー方程式を解く新しい方法である。 それは分子の長距離と多体相互作用の両方を考慮する。
  論文  参考訳（メタデータ） (2022-08-11T15:12:25Z)
• Equivariant representations for molecular Hamiltonians and N-center atomic-scale properties [0.0]
  我々は、非常に成功した原子中心密度相関特性をN中心の場合に一般化する構造記述子の族について論じる。 特に、原子中心軌道ベースで書かれた(有効)単一粒子ハミルトニアンの行列要素を効率的に学習するために、この構造がどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2021-09-24T17:19:57Z)
• Flexible dual-branched message passing neural network for quantum mechanical property prediction with molecular conformation [16.08677447593939]
  メッセージパッシングフレームワークに基づく分子特性予測のための二重分岐ニューラルネットワークを提案する。 本モデルでは,様々なスケールで異種分子の特徴を学習し,予測対象に応じて柔軟に学習する。
  論文  参考訳（メタデータ） (2021-06-14T10:00:39Z)
• Knowledge-aware Contrastive Molecular Graph Learning [5.08771973600915]
  自己監督型分子表現学習のためのコントラシブナレッジアウェアGNN(CKGNN)を提案する。 私たちは、コントラスト学習フレームワークの下で知識認識分子エンコーダを介してドメイン知識を明示的にエンコードします。 8つの公開データセットの実験は、平均で6%の絶対的な改善と私たちのモデルの有効性を示しています。
  論文  参考訳（メタデータ） (2021-03-24T08:55:08Z)
• The role of feature space in atomistic learning [62.997667081978825]
  物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。 異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。 原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
  論文  参考訳（メタデータ） (2020-09-06T14:12:09Z)
• 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。