論文の概要: A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems

• arxiv url: http://arxiv.org/abs/2312.07511v2
• Date: Wed, 13 Mar 2024 17:38:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-14 17:58:35.671839
• Title: A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems
• Title（参考訳）: 3次元原子システムのための幾何学的GNNのヒッチハイカーガイド
• Authors: Alexandre Duval, Simon V. Mathis, Chaitanya K. Joshi, Victor Schmidt, Santiago Miret, Fragkiskos D. Malliaros, Taco Cohen, Pietro Li\`o, Yoshua Bengio and Michael Bronstein
• Abstract要約: 原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
• 参考スコア（独自算出の注目度）: 87.30652640973317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in computational modelling of atomic systems, spanning molecules, proteins, and materials, represent them as geometric graphs with atoms embedded as nodes in 3D Euclidean space. In these graphs, the geometric attributes transform according to the inherent physical symmetries of 3D atomic systems, including rotations and translations in Euclidean space, as well as node permutations. In recent years, Geometric Graph Neural Networks have emerged as the preferred machine learning architecture powering applications ranging from protein structure prediction to molecular simulations and material generation. Their specificity lies in the inductive biases they leverage - such as physical symmetries and chemical properties - to learn informative representations of these geometric graphs. In this opinionated paper, we provide a comprehensive and self-contained overview of the field of Geometric GNNs for 3D atomic systems. We cover fundamental background material and introduce a pedagogical taxonomy of Geometric GNN architectures: (1) invariant networks, (2) equivariant networks in Cartesian basis, (3) equivariant networks in spherical basis, and (4) unconstrained networks. Additionally, we outline key datasets and application areas and suggest future research directions. The objective of this work is to present a structured perspective on the field, making it accessible to newcomers and aiding practitioners in gaining an intuition for its mathematical abstractions.
• Abstract（参考訳）: 分子、タンパク質、材料にまたがる原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 これらのグラフでは、幾何学的属性は、ユークリッド空間における回転や変換やノード置換を含む3次元原子系の固有の物理対称性に従って変換される。 近年,タンパク質構造予測から分子シミュレーション,物質生成に至るまで,機械学習アーキテクチャが好まれている。 その特異性は、これらの幾何学グラフの情報表現を学ぶために、それらが利用する帰納的バイアス(物理対称性や化学的性質など)にある。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。 本稿では,(1)不変ネットワーク,(2)不変ネットワーク,(3)同変ネットワーク,(3)球面ネットワーク,(4)制約のないネットワークを包含する。 さらに、重要なデータセットと応用領域を概説し、今後の研究方向性を提案する。 本研究の目的は、その分野に関する構造化された視点を提示することであり、その数学的抽象化の直観を得るための新参者や実践者を支援することである。

関連論文リスト

• Geometry Informed Tokenization of Molecules for Language Model Generation [85.80491667588923]
  言語モデル(LM)を用いた三次元空間における分子生成の検討 分子グラフのトークン化は存在するが、3次元幾何学では、ほとんど探索されていない。 分子幾何学を$SE(3)$-invariant 1D離散配列に変換するGeo2Seqを提案する。
  論文  参考訳（メタデータ） (2024-08-19T16:09:59Z)
• A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [67.33002207179923]
  本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。 幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。 また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
  論文  参考訳（メタデータ） (2024-03-01T12:13:04Z)
• On the Completeness of Invariant Geometric Deep Learning Models [22.43250261702209]
  不変モデルは、点雲における情報的幾何学的特徴を利用して意味のある幾何学的表現を生成することができる。 最も単純なグラフグラフニューラルネットワーク(サブグラフGNN)の幾何学的対応であるGeoNGNNは、これらのコーナーケースの対称性を効果的に破ることができることを示す。 理論ツールとしてGeoNGNNを活用することで、1)従来のグラフ学習で開発されたほとんどのグラフGNNは、E(3)完全性を持つ幾何学的シナリオにシームレスに拡張できる。
  論文  参考訳（メタデータ） (2024-02-07T13:32:53Z)
• A quatum inspired neural network for geometric modeling [14.214656118952178]
  本稿では,MPSベースのメッセージパッシング戦略を提案する。 本手法は,多体関係を効果的にモデル化し,平均場近似を抑える。 これは幾何学的GNNに固有の標準メッセージパッシングおよびレイヤ集約モジュールをシームレスに置き換える。
  論文  参考訳（メタデータ） (2024-01-03T15:59:35Z)
• Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials [66.14337835284628]
  幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
  論文  参考訳（メタデータ） (2023-06-15T05:37:25Z)
• 3D Molecular Geometry Analysis with 2D Graphs [79.47097907673877]
  分子の基底状態3次元ジオメトリは多くの分子解析タスクに必須である。 現代の量子力学的手法は正確な3次元幾何学を計算できるが、計算は禁じられている。 分子グラフから3次元幾何学を予測するための新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-01T19:00:46Z)
• A new perspective on building efficient and expressive 3D equivariant graph neural networks [39.0445472718248]
  等変GNNの表現力を評価するための3次元同型階層を提案する。 我々の研究は、表現的かつ効率的な幾何学的GNNを設計するための2つの重要なモジュールに繋がる。 本理論の適用性を示すため,これらのモジュールを効果的に実装したLEFTNetを提案する。
  論文  参考訳（メタデータ） (2023-04-07T18:08:27Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Learning Geometry-Dependent and Physics-Based Inverse Image Reconstruction [9.565653662306806]
  本稿では,その基盤となる幾何学と物理を活かした逆画像の学習手法を提案する。 まず,未知変数と計測変数を記述可能な非ユークリッド符号化復号ネットワークを提案する。 次に、2つの領域間の幾何依存物理学を2部グラフで明示的にモデル化することで学習する。
  論文  参考訳（メタデータ） (2020-07-18T21:53:27Z)

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。