論文の概要: Coarse-Grained Configurational Polymer Fingerprints for Property Prediction using Machine Learning

• arxiv url: http://arxiv.org/abs/2311.14744v1
• Date: Mon, 20 Nov 2023 12:17:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-03 13:27:55.167321
• Title: Coarse-Grained Configurational Polymer Fingerprints for Property Prediction using Machine Learning
• Title（参考訳）: 粗粒高分子フィンガープリントによる機械学習による特性予測
• Authors: Ishan Kumar and Prateek K Jha
• Abstract要約: 本研究では,ビーズスプリングモデルを用いて,高分子の構成レベル指紋を生成する手法を提案する。 提案手法は、大きな分子量から生じる挙動の研究に有利である可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we present a method to generate a configurational level fingerprint for polymers using the Bead-Spring-Model. Unlike some of the previous fingerprinting approaches that employ monomer-level information where atomistic descriptors are computed using quantum chemistry calculations, this approach incorporates configurational information from a coarse-grained model of a long polymer chain. The proposed approach may be advantageous for the study of behavior resulting from large molecular weights. To create this fingerprint, we make use of two kinds of descriptors. First, we calculate certain geometric descriptors like Re2, Rg2 etc. and label them as Calculated Descriptors. Second, we generate a set of data-driven descriptors using an unsupervised autoencoder model and call them Learnt Descriptors. Using a combination of both of them, we are able to learn mappings from the structure to various properties of the polymer chain by training ML models. We test our fingerprint to predict the probability of occurrence of a configuration at equilibrium, which is approximated by a simple linear relationship between the instantaneous internal energy and equilibrium average internal energy.
• Abstract（参考訳）: 本研究では,ビードスプリングモデルを用いて高分子の構成レベル指紋を生成する手法を提案する。 原子論的ディスクリプタを量子化学計算を用いて計算するモノマーレベル情報を用いる従来のフィンガープリント手法とは異なり、このアプローチでは長いポリマー鎖の粗粒モデルからの構成情報を取り入れている。 提案手法は、大きな分子量から生じる挙動の研究に有利である可能性がある。 この指紋を作成するには、2種類の記述子を使用します。 まず、re2、rg2などの幾何記述子を計算し、計算記述子としてラベル付けする。 次に,教師なしのオートエンコーダモデルを用いてデータ駆動記述子を生成し,学習記述子と呼ぶ。 これらを組み合わせることで, 構造から高分子鎖の様々な性質へのマッピングをmlモデルをトレーニングすることで学習することができる。 我々は, 瞬時内部エネルギーと平衡平均内部エネルギーの単純な線形関係から近似した, 平衡状態における形状発生確率を予測するため, 指紋検査を行った。

関連論文リスト

• Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
  科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。 これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
  論文  参考訳（メタデータ） (2024-03-03T04:21:21Z)
• 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)
• Photonic Quantum Computing For Polymer Classification [62.997667081978825]
  2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。 高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2022-11-22T11:59:52Z)
• When does deep learning fail and how to tackle it? A critical analysis on polymer sequence-property surrogate models [1.0152838128195467]
  ディープラーニングモデルは、高分子特性の予測において人気と有効性を高めている。 これらのモデルは、既存のデータを用いて構築することができ、ポリマー特性の迅速な予測に有用である。 しかし,ディープラーニングモデルの性能は,そのトポロジやトレーニングデータの量と密接に関連している。
  論文  参考訳（メタデータ） (2022-10-12T23:04:10Z)
• Curvature-informed multi-task learning for graph networks [56.155331323304]
  最先端のグラフニューラルネットワークは、複数の特性を同時に予測しようとする。 この現象の潜在的な説明として、各特性の損失面の曲率が大きく異なり、非効率な学習につながる可能性がある。
  論文  参考訳（メタデータ） (2022-08-02T18:18:41Z)
• Persistent homology-based descriptor for machine-learning potential of amorphous structures [0.0]
  アモルファス材料の物性の高精度予測は、凝縮物質物理学において困難である。 これを実現するための有望な方法は機械学習ポテンシャルであり、これは計算に要求されるアブ・イニシアト計算に代わるものである。 永続ホモロジーの2次元表現である持続図(PD)に基づく新しい記述子を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:29:08Z)
• Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
  分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。 分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
  論文  参考訳（メタデータ） (2021-10-26T14:14:40Z)
• Gaussian Moments as Physically Inspired Molecular Descriptors for Accurate and Scalable Machine Learning Potentials [0.0]
  本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。 化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
  論文  参考訳（メタデータ） (2021-09-15T16:46:46Z)
• Predicting Chemical Properties using Self-Attention Multi-task Learning based on SMILES Representation [0.0]
  本研究では,変圧器変圧器モデルの構造的差異について検討し,新しい自己注意モデルを提案する。 不均衡な化学データセットを用いたマルチタスク学習環境において,自己認識モジュールの表現学習性能を評価した。
  論文  参考訳（メタデータ） (2020-10-19T09:46:50Z)
• 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)
• Building and Interpreting Deep Similarity Models [0.0]
  そこで本稿では,入力機能の観点から説明することで類似性を解釈する手法を提案する。 我々は,2組の入力特徴に対して類似度スコアを系統的に分解する,スケーラブルで理論的に確立された手法であるBiLRPを開発した。
  論文  参考訳（メタデータ） (2020-03-11T17:46:55Z)

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。