論文の概要: Investigating the Behavior of Diffusion Models for Accelerating Electronic Structure Calculations

• arxiv url: http://arxiv.org/abs/2311.01491v1
• Date: Thu, 2 Nov 2023 17:58:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 16:30:25.757432
• Title: Investigating the Behavior of Diffusion Models for Accelerating Electronic Structure Calculations
• Title（参考訳）: 電子構造計算を加速する拡散モデルの挙動に関する研究
• Authors: Daniel Rothchild, Andrew S. Rosen, Eric Taw, Connie Robinson, Joseph E. Gonzalez, Aditi S. Krishnapriyan
• Abstract要約: 機械学習を用いた電子構造計算を著しく高速化する可能性による調査 モデルがポテンシャルエネルギー表面の1次構造について学習し、その後高次構造について学習することを示す。 構造緩和のために、このモデルは、小さな有機分子の古典的な力場によって生成されるものよりも10倍低いエネルギーのジオメトリを見つける。
• 参考スコア（独自算出の注目度）: 24.116064925926914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an investigation into diffusion models for molecular generation, with the aim of better understanding how their predictions compare to the results of physics-based calculations. The investigation into these models is driven by their potential to significantly accelerate electronic structure calculations using machine learning, without requiring expensive first-principles datasets for training interatomic potentials. We find that the inference process of a popular diffusion model for de novo molecular generation is divided into an exploration phase, where the model chooses the atomic species, and a relaxation phase, where it adjusts the atomic coordinates to find a low-energy geometry. As training proceeds, we show that the model initially learns about the first-order structure of the potential energy surface, and then later learns about higher-order structure. We also find that the relaxation phase of the diffusion model can be re-purposed to sample the Boltzmann distribution over conformations and to carry out structure relaxations. For structure relaxations, the model finds geometries with ~10x lower energy than those produced by a classical force field for small organic molecules. Initializing a density functional theory (DFT) relaxation at the diffusion-produced structures yields a >2x speedup to the DFT relaxation when compared to initializing at structures relaxed with a classical force field.
• Abstract（参考訳）: 本稿では,分子生成のための拡散モデルの研究を行い,それらの予測と物理計算結果との比較について考察する。 これらのモデルの調査は、原子間ポテンシャルのトレーニングに高価な第一原理データセットを必要とすることなく、機械学習を用いて電子構造計算を著しく高速化する可能性によって進められている。 de novo分子生成のための一般的な拡散モデルの推論過程は、モデルが原子種を選択する探索段階と、低エネルギー幾何を見つけるために原子座標を調整する緩和段階に分けられる。 学習が進むにつれて、まずモデルがポテンシャルエネルギー面の1次構造について学び、その後高次構造について学習することを示す。 また, 拡散モデルの緩和相は, 配座上のボルツマン分布をサンプリングし, 構造緩和を行うために再利用できることがわかった。 構造緩和のために、このモデルは小さな有機分子の古典的な力場によって生成されるものよりも約10倍低いエネルギーのジオメトリを見つける。 拡散生成構造における密度汎関数理論(DFT)緩和の初期化は、古典的な力場で緩和された構造における初期化と比較して、DFT緩和に対する >2x スピードアップをもたらす。

関連論文リスト

• Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties [6.875235178607604]
  Ab initio molecular dynamics (AIMD) シミュレーションから生成されたデータセットに基づいて学習した神経進化電位(NEP)を導入する。 両方の機械学習ポテンシャルを用いて、状態(DOS)と放射分布関数(RDF)のフォノン密度を計算する。 MTP電位はわずかに精度が良いが、NEPは計算速度が41倍に向上する。
  論文  参考訳（メタデータ） (2024-11-16T23:16:59Z)
• Neural Message Passing Induced by Energy-Constrained Diffusion [79.9193447649011]
  本稿では,MPNNのメカニズムを理解するための原理的解釈可能なフレームワークとして,エネルギー制約付き拡散モデルを提案する。 データ構造が(グラフとして)観察されたり、部分的に観察されたり、完全に観察されなかったりした場合に、新しいモデルが有望な性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Swallowing the Bitter Pill: Simplified Scalable Conformer Generation [12.341835649897886]
  分子コンホメータを簡易な定式化により予測する新しい手法を提案する。 構造学習を根本的に単純化し、モデルサイズのスケールアップを簡単にできます。 このモデルは、分子コンフォーマー場(MCF)と呼ばれ、コンフォーマー構造を分子グラフから空間内の3D位置に直接マッピングする関数としてパラメータ化することで機能する。
  論文  参考訳（メタデータ） (2023-11-27T22:53:41Z)
• Generative Design of inorganic compounds using deep diffusion language models [0.6827423171182154]
  材料構成と構造設計のための深層学習に基づく生成モデルを提案する。 パイプラインは、まず、合成のジェネレータとして深拡散言語モデルを使用し、その後、テンプレートベースの結晶構造予測アルゴリズムを適用した。 DFT計算の結果から,Ti2$HfO5,TaNbP,YMoN2,TaReO4,HfTiO2,HfMnO2の6つの新物質が検出された。
  論文  参考訳（メタデータ） (2023-09-30T19:46:19Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
  本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。 我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
  論文  参考訳（メタデータ） (2022-06-13T03:41:31Z)
• A Score-based Geometric Model for Molecular Dynamics Simulations [33.158796937777886]
  分子配座のログ密度の勾配を推定する新しいモデルScoreMDを提案する。 複数のアーキテクチャの改善により、MD17とC7O2H10の異性体において最先端のベースラインよりも優れています。 この研究は、新しい物質の加速と薬物発見に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2022-04-19T05:13:46Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Embedded-physics machine learning for coarse-graining and collective variable discovery without data [3.222802562733787]
  基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。 原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。 本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
  論文  参考訳（メタデータ） (2020-02-24T10:28:41Z)

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。