論文の概要: C3Net: interatomic potential neural network for prediction of
physicochemical properties in heterogenous systems
- arxiv url: http://arxiv.org/abs/2309.15334v1
- Date: Wed, 27 Sep 2023 00:51:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 17:07:13.478079
- Title: C3Net: interatomic potential neural network for prediction of
physicochemical properties in heterogenous systems
- Title（参考訳）: C3Net:異種系における物理化学的特性予測のための原子間ポテンシャルニューラルネットワーク
- Authors: Sehan Lee, Jaechang Lim and Woo Youn Kim
- Abstract要約: 分子コンテキストにおける原子型埋め込みのためのディープニューラルネットワークアーキテクチャを提案する。
この構造は不均一系の物理化学的性質を予測するために応用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Understanding the interactions of a solute with its environment is of
fundamental importance in chemistry and biology. In this work, we propose a
deep neural network architecture for atom type embeddings in its molecular
context and interatomic potential that follows fundamental physical laws. The
architecture is applied to predict physicochemical properties in heterogeneous
systems including solvation in diverse solvents, 1-octanol-water partitioning,
and PAMPA with a single set of network weights. We show that our architecture
is generalized well to the physicochemical properties and outperforms
state-of-the-art approaches based on quantum mechanics and neural networks in
the task of solvation free energy prediction. The interatomic potentials at
each atom in a solute obtained from the model allow quantitative analysis of
the physicochemical properties at atomic resolution consistent with chemical
and physical reasoning. The software is available at
https://github.com/SehanLee/C3Net.
- Abstract（参考訳）: 溶質と環境の相互作用を理解することは、化学や生物学において極めて重要である。
本研究では,分子コンテキストにおける原子型埋め込みと基本物理法則に従う原子間ポテンシャルの深いニューラルネットワークアーキテクチャを提案する。
このアーキテクチャは、様々な溶媒の溶媒和、1-オクタノール-水分配、および1組のネットワーク重みのパンパを含む異種系の物理化学的性質を予測するために適用される。
このアーキテクチャは物理化学的性質によく似ており、解離自由エネルギー予測のタスクにおいて量子力学とニューラルネットワークに基づく最先端のアプローチより優れていることを示す。
モデルから得られた溶質中の各原子の原子間ポテンシャルは、化学的および物理的推論と整合した原子分解における物理化学的性質の定量的解析を可能にする。
このソフトウェアはhttps://github.com/SehanLee/C3Netで入手できる。
関連論文リスト
- Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Universal neural network potentials as descriptors: Towards scalable chemical property prediction using quantum and classical computers [0.0]
本稿では,化学特性予測のための汎用記述子として,普遍的ニューラルネットワークポテンシャルの中間情報を利用する汎用的アプローチを提案する。
本稿では,M3GNet や MACE などのグラフニューラルネットワークを用いた伝達学習が,NMR の化学シフトを予測するための最先端手法に匹敵する精度を実現することを示す。
論文 参考訳（メタデータ） (2024-02-28T15:57:22Z) - Exploiting Hierarchical Interactions for Protein Surface Learning [52.10066114039307]
本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。
本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。
提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
論文 参考訳（メタデータ） (2024-01-17T14:10:40Z) - Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum
Computer [50.24983453990065]
我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。
我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。
興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
論文 参考訳（メタデータ） (2023-06-14T14:44:12Z) - A Quantum-Classical Model of Brain Dynamics [62.997667081978825]
混合ワイル記号は、脳の過程を顕微鏡レベルで記述するために用いられる。
プロセスに関与する電磁場とフォノンモードは古典的または半古典的に扱われる。
ゼロ点量子効果は、各フィールドモードの温度を制御することで数値シミュレーションに組み込むことができる。
論文 参考訳（メタデータ） (2023-01-17T15:16:21Z) - Physical Pooling Functions in Graph Neural Networks for Molecular
Property Prediction [54.28948205388247]
グラフニューラルネットワーク(GNN)は、分子グラフに基づく物理化学的特性のエンドツーエンド学習のための化学工学において出現している。
GNNの鍵となる要素は、原子の特徴ベクトルを分子指紋に結合するプール機能である。
物理プーリング関数の使用は、一般化を著しく促進することを示す。
論文 参考訳（メタデータ） (2022-07-27T20:24:19Z) - 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) - Mapping quantum chemical dynamics problems onto spin-lattice simulators [0.5249805590164901]
我々はこれらを量子スピン格子シミュレータにマッピングすることで量子化学核力学の解法を可能にするフレームワークを提供する。
我々のアプローチは、量子核力学の研究に使用される方法のパラダイムシフトを表している。
論文 参考訳（メタデータ） (2021-03-12T17:32:52Z) - Heterogeneous Molecular Graph Neural Networks for Predicting Molecule
Properties [12.897488702184306]
分子の新規なグラフ表現であるヘテロジニアス分子グラフ(HMG)を導入する。
HMGNNは、グローバル分子表現とアテンション機構を予測プロセスに組み込んでいる。
我々のモデルは、QM9データセット上の12タスクのうち9タスクで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-09-26T23:29:41Z) - 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) - A deep neural network for molecular wave functions in quasi-atomic
minimal basis representation [0.0]
今回提案したShNet for Orbitals (SchNOrb) Deep Convolutional Neural Network Model [Nature Commun 10, 5024]の準原子最小基底表現における電子波関数への適応について述べる。
5から13個の重原子を含む5つの有機分子に対して、このモデルは分子軌道エネルギーと波動関数を正確に予測し、化学結合解析のための導出特性へのアクセスを提供する。
論文 参考訳（メタデータ） (2020-05-11T06:55:36Z)
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。