論文の概要: Sliced Denoising: A Physics-Informed Molecular Pre-Training Method

• arxiv url: http://arxiv.org/abs/2311.02124v1
• Date: Fri, 3 Nov 2023 07:58:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 19:24:02.132137
• Title: Sliced Denoising: A Physics-Informed Molecular Pre-Training Method
• Title（参考訳）: Sliced Denoising:物理インフォームド分子プレトライニング法
• Authors: Yuyan Ni, Shikun Feng, Wei-Ying Ma, Zhi-Ming Ma, Yanyan Lan
• Abstract要約: 本稿では,スライスデノナイジング(SliDe)と呼ばれる分子前訓練法を提案する。 SliDeは、結合の長さ、角度、ねじれ角を乱す新しいノイズ戦略を使用して、コンフォーメーションよりも優れたサンプリングを実現する。 その結果,現在最先端の遮音法と比較して,推定力場の精度は42%向上した。
• 参考スコア（独自算出の注目度）: 29.671249096191726
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: While molecular pre-training has shown great potential in enhancing drug discovery, the lack of a solid physical interpretation in current methods raises concerns about whether the learned representation truly captures the underlying explanatory factors in observed data, ultimately resulting in limited generalization and robustness. Although denoising methods offer a physical interpretation, their accuracy is often compromised by ad-hoc noise design, leading to inaccurate learned force fields. To address this limitation, this paper proposes a new method for molecular pre-training, called sliced denoising (SliDe), which is based on the classical mechanical intramolecular potential theory. SliDe utilizes a novel noise strategy that perturbs bond lengths, angles, and torsion angles to achieve better sampling over conformations. Additionally, it introduces a random slicing approach that circumvents the computationally expensive calculation of the Jacobian matrix, which is otherwise essential for estimating the force field. By aligning with physical principles, SliDe shows a 42\% improvement in the accuracy of estimated force fields compared to current state-of-the-art denoising methods, and thus outperforms traditional baselines on various molecular property prediction tasks.
• Abstract（参考訳）: 分子前訓練は創薬を増強する大きな可能性を示したが、現在の方法における物理的な解釈の欠如は、学習された表現が観察されたデータの基本的な説明因子を真に捉えているかどうかの懸念を生じさせ、最終的には一般化と堅牢性が制限される。 消音法は物理的解釈を提供するが、その精度はしばしばアドホックノイズ設計によって損なわれ、不正確な学習力場に繋がる。 この制限に対処するために,古典的な分子内ポテンシャル理論に基づくスライスデノイング(SliDe)と呼ばれる分子事前学習法を提案する。 SliDeは、結合の長さ、角度、ねじれ角を乱す新しいノイズ戦略を利用して、コンフォーメーションよりも優れたサンプリングを実現する。 さらに、力場を推定するのに必須であるヤコビ行列の計算に高価な計算を回避できるランダムスライシングアプローチを導入する。 物理的原理に合わせることで、slideは現在の最先端の分別法と比較して推定力場の精度が42\%向上し、様々な分子特性予測タスクにおける従来のベースラインを上回っている。

関連論文リスト

• Pre-training with Fractional Denoising to Enhance Molecular Property Prediction [26.93248595345132]
  本稿では,Frad(Farential Denoising)と呼ばれる分子前訓練フレームワークを導入し,ノイズ設計と強制学習等価性による制約を分離する。 実験により、我々のフレームワークは既存の手法を一貫して上回り、力の予測、量子化学特性、結合親和性タスクにまたがって最先端の結果を確立する。
  論文  参考訳（メタデータ） (2024-07-14T11:09:42Z)
• Diffusion-Driven Generative Framework for Molecular Conformation Prediction [0.66567375919026]
  機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。 本研究は,最先端な生成手法を提案する。 メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
  論文  参考訳（メタデータ） (2023-12-22T11:49:39Z)
• Fractional Denoising for 3D Molecular Pre-training [29.671249096191726]
  コーディネート・デノナイジング(Coordinate denoising)は、様々な下流の薬物発見タスクにおいて顕著な性能を発揮した3D分子前処理法である。 効果的な力場、すなわち低カバレッジサンプルと等方性力場を学習するために、コーディネート認知には2つの課題がある。 本稿では,2面エンジェルと座標の両方のノイズを含む,新しいハイブリッドノイズ戦略を提案する。
  論文  参考訳（メタデータ） (2023-07-20T08:20:12Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• Aspects of scaling and scalability for flow-based sampling of lattice QCD [137.23107300589385]
  格子場理論におけるサンプリングへの機械学習正規化流れの最近の応用は、そのような手法が臨界減速と位相凍結を緩和できる可能性を示唆している。 最先端の格子量子色力学計算に適用できるかどうかはまだ定かではない。
  論文  参考訳（メタデータ） (2022-11-14T17:07:37Z)
• Disentangling the Predictive Variance of Deep Ensembles through the Neural Tangent Kernel [4.515606790756141]
  簡易な線形学習システムにおいて,広い層幅の深層アンサンブルについて検討した。 我々は2つのノイズ源を同定し、それぞれが予測的分散において顕著な帰納バイアスを誘導する。 我々は,これらのノイズ源の一部を除去する実用的な方法を提案し,訓練されたディープアンサンブルにおけるOODの検出を改善した。
  論文  参考訳（メタデータ） (2022-10-18T12:55:53Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Point Cloud Denoising via Momentum Ascent in Gradient Fields [72.93429911044903]
  ニューラルネットワークを用いて雑音点雲から勾配場を推定する勾配法を提案した。 そこで我々は, 過去の反復情報を利用して, 点の軌道を決定する運動量勾配上昇法を開発した。 実験により, 提案手法は, 様々な点群, ノイズタイプ, 騒音レベルを有する最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-02-21T10:21:40Z)
• Linear Adversarial Concept Erasure [108.37226654006153]
  与えられた概念に対応する線形部分空間の同定と消去の問題を定式化する。 提案手法は, トラクタビリティと解釈性を維持しつつ, 深い非線形分類器のバイアスを効果的に軽減し, 高い表現性を有することを示す。
  論文  参考訳（メタデータ） (2022-01-28T13:00:17Z)
• Reintroducing Straight-Through Estimators as Principled Methods for Stochastic Binary Networks [85.94999581306827]
  2重みとアクティベーションを持つニューラルネットワークのトレーニングは、勾配の欠如と離散重みよりも最適化が難しいため、難しい問題である。 多くの実験結果が経験的ストレートスルー(ST)アプローチで達成されている。 同時に、ST法はベルヌーイ重みを持つバイナリネットワーク(SBN)モデルにおける推定子として真に導出することができる。
  論文  参考訳（メタデータ） (2020-06-11T23:58:18Z)

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。