論文の概要: On the importance of catalyst-adsorbate 3D interactions for relaxed energy predictions

• arxiv url: http://arxiv.org/abs/2310.06682v1
• Date: Tue, 10 Oct 2023 14:57:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-11 14:57:20.166948
• Title: On the importance of catalyst-adsorbate 3D interactions for relaxed energy predictions
• Title（参考訳）: 緩和エネルギー予測における触媒吸着3次元相互作用の重要性について
• Authors: Alvaro Carbonero, Alexandre Duval, Victor Schmidt, Santiago Miret, Alex Hernandez-Garcia, Yoshua Bengio, David Rolnick
• Abstract要約: 吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。 結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
• 参考スコア（独自算出の注目度）: 98.70797778496366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of machine learning for material property prediction and discovery has traditionally centered on graph neural networks that incorporate the geometric configuration of all atoms. However, in practice not all this information may be readily available, e.g.~when evaluating the potentially unknown binding of adsorbates to catalyst. In this paper, we investigate whether it is possible to predict a system's relaxed energy in the OC20 dataset while ignoring the relative position of the adsorbate with respect to the electro-catalyst. We consider SchNet, DimeNet++ and FAENet as base architectures and measure the impact of four modifications on model performance: removing edges in the input graph, pooling independent representations, not sharing the backbone weights and using an attention mechanism to propagate non-geometric relative information. We find that while removing binding site information impairs accuracy as expected, modified models are able to predict relaxed energies with remarkably decent MAE. Our work suggests future research directions in accelerated materials discovery where information on reactant configurations can be reduced or altogether omitted.
• Abstract（参考訳）: 物質的特性の予測と発見に機械学習を用いることは、伝統的に全ての原子の幾何学的構成を含むグラフニューラルネットワークに重点を置いてきた。 しかし実際には、触媒への吸着の潜在的に未知の結合を評価するなど、これらの情報が容易に利用できるわけではない。 本稿では, 吸着剤の電気触媒に対する相対位置を無視しつつ, oc20データセットにおけるシステムの緩和エネルギーを予測できるかどうかについて検討する。 我々はSchNet, DimeNet++, FAENetを基本アーキテクチャとみなし,入力グラフのエッジの除去,独立した表現のプール,バックボーン重みの共有,非幾何学的相対情報を伝搬するアテンション機構の4つの変更の影響を測定する。 結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。 本研究は, 反応体構成に関する情報を削減したり, 完全に省略したりできる加速材料発見の今後の研究方向を示唆する。

関連論文リスト

• SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction [3.406882192023597]
  タンパク質-リガンド結合親和性の正確な予測は、薬物開発に不可欠である。 伝統的な手法は、しばしば複合体の空間情報を正確にモデル化するのに失敗する。 この課題に適用可能な様々な帰納バイアスを組み込んだモデルSPINを提案する。
  論文  参考訳（メタデータ） (2024-07-10T08:40:07Z)
• Data Distillation for Neural Network Potentials toward Foundational Dataset [6.373914211316965]
  生成モデルは 迅速に 対象のアプリケーションに 有望な材料を提案できる しかし、生成モデルによる材料の予測特性は、アブイニシアト計算によって計算された性質と一致しないことが多い。 本研究は, 拡張アンサンブル分子動力学(MD)を用いて, 金属系, ニッケル中の液相および固相の幅広い構成を確保した。 蒸留データからトレーニングしたNNPは,これらの構造が初期データの一部ではないにもかかわらず,異なるエネルギー最小化クローズパック結晶構造を予測できることがわかった。
  論文  参考訳（メタデータ） (2023-11-09T14:41:45Z)
• TensorNet: Cartesian Tensor Representations for Efficient Learning of Molecular Potentials [4.169915659794567]
  我々は、革新的なO(3)等価メッセージパッシングニューラルネットワークアーキテクチャであるNetを紹介する。 テンソル原子埋め込みを用いることで、機能混合は行列積演算により単純化される。 ポテンシャルエネルギーと力の上のベクトルとテンソル分子量の正確な予測が可能である。
  論文  参考訳（メタデータ） (2023-06-10T16:41:18Z)
• 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)
• GPS++: Reviving the Art of Message Passing for Molecular Property Prediction [2.4476539922912632]
  GPS++は、分子特性予測のためのハイブリッドメッセージパッシングニューラルネットワーク/グラフトランスフォーマーモデルである。 本手法は,3次元位置情報が得られない場合に,従来の手法よりもはるかに正確である。
  論文  参考訳（メタデータ） (2023-02-06T17:30:22Z)
• Boosting Heterogeneous Catalyst Discovery by Structurally Constrained Deep Learning Models [0.0]
  グラフニューラルネットワーク(GNN)のようなディープラーニングアプローチは、新しい高性能触媒をモデル化するスコープを大幅に拡張する新たな機会を開く。 ここでは,Voronoiテッセルレーションにより改良したGNNの埋め込み改善について述べる。 データの適切な選択は、物理ベースで1原子あたり20 meV以上の値に誤差を減少させることができることを示す。
  論文  参考訳（メタデータ） (2022-07-11T17:01:28Z)
• How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
  バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。 その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
  論文  参考訳（メタデータ） (2021-07-26T09:38:28Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• 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。