論文の概要: EquiReact: An equivariant neural network for chemical reactions
- arxiv url: http://arxiv.org/abs/2312.08307v1
- Date: Wed, 13 Dec 2023 17:26:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 14:36:43.207767
- Title: EquiReact: An equivariant neural network for chemical reactions
- Title（参考訳）: EquiReact: 化学反応のための同種のニューラルネットワーク
- Authors: Puck van Gerwen, Ksenia R. Briling, Charlotte Bunne, Vignesh Ram
Somnath, Ruben Laplaza, Andreas Krause, Clemence Corminboeuf
- Abstract要約: 化学反応の特性を推論する同変ニューラルネットワークであるEquiReactを紹介する。
GDB7-22-TS, Cyclo-23-TS, Proparg-21-TSデータセット上でのアクティベーションバリアの予測における競合性能を示す。
- 参考スコア（独自算出の注目度）: 37.1544909141536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Equivariant neural networks have considerably improved the accuracy and
data-efficiency of predictions of molecular properties. Building on this
success, we introduce EquiReact, an equivariant neural network to infer
properties of chemical reactions, built from three-dimensional structures of
reactants and products. We illustrate its competitive performance on the
prediction of activation barriers on the GDB7-22-TS, Cyclo-23-TS and
Proparg-21-TS datasets with different regimes according to the inclusion of
atom-mapping information. We show that, compared to state-of-the-art models for
reaction property prediction, EquiReact offers: (i) a flexible model with
reduced sensitivity between atom-mapping regimes, (ii) better extrapolation
capabilities to unseen chemistries, (iii) impressive prediction errors for
datasets exhibiting subtle variations in three-dimensional geometries of
reactants/products, (iv) reduced sensitivity to geometry quality and (iv)
excellent data efficiency.
- Abstract（参考訳）: 等価ニューラルネットワークは、分子特性の予測の精度とデータ効率を大幅に改善した。
この成功を踏まえ,反応物と生成物の3次元構造から構築した化学反応の性質を推定する等変ニューラルネットワークであるequireactを導入した。
本稿では,GDB7-22-TS,Cyclo-23-TS,Proparg-21-TSのアクティベーションバリアの予測における競合性能について述べる。
反応特性予測のための最先端モデルと比較すると、equireactは次のように示す。
(i)原子マッピングの感度を低下させたフレキシブルモデル。
(II)見当たらない化学薬品の補間能力の向上。
(iii)反応物/生成物の3次元幾何学における微妙な変動を示すデータセットの印象的な予測誤差
(四)幾何学的品質及び感度の低下
(iv)優れたデータ効率。
関連論文リスト
- Beyond Major Product Prediction: Reproducing Reaction Mechanisms with
Machine Learning Models Trained on a Large-Scale Mechanistic Dataset [10.968137261042715]
有機反応の機械的理解は、反応の発生、不純物予測、そして原則として反応発見を促進する。
いくつかの機械学習モデルは、反応生成物を予測するタスクに対処しようとしているが、反応機構を予測するための拡張は、対応する力学データセットの欠如によって妨げられている。
実験によって報告された反応物質と生成物の中間体を専門家の反応テンプレートを用いて入力し、その結果の5,184,184個の基本ステップに基づいて機械学習モデルを訓練することにより、そのようなデータセットを構築する。
論文 参考訳（メタデータ） (2024-03-07T15:26:23Z) - A Generative Machine Learning Model for Material Microstructure 3D
Reconstruction and Performance Evaluation [4.169915659794567]
2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。
U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。
さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
論文 参考訳（メタデータ） (2024-02-24T13:42:34Z) - A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
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。
論文 参考訳（メタデータ） (2023-12-12T18:44:19Z) - On the importance of catalyst-adsorbate 3D interactions for relaxed
energy predictions [98.70797778496366]
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。
論文 参考訳（メタデータ） (2023-10-10T14:57:04Z) - Diffusion-based Generative AI for Exploring Transition States from 2D
Molecular Graphs [0.3759936323189417]
本稿では,遷移状態の幾何学的予測のための拡散法,すなわち TSDiff に基づく生成的アプローチを提案する。
TSDiffは、精度と効率の両面で、既存の機械学習モデルよりも3Dジオメトリの方が優れている。
論文 参考訳（メタデータ） (2023-04-20T10:45:57Z) - Dynamic Molecular Graph-based Implementation for Biophysical Properties
Prediction [9.112532782451233]
本稿では,タンパク質-リガンド相互作用の動的特徴を特徴付けるため,GNNを用いたトランスフォーマーモデルに基づく新しいアプローチを提案する。
我々のメッセージパッシングトランスフォーマーは、物理シミュレーションに基づく分子動力学データに基づいて事前訓練を行い、座標構成を学習し、結合確率と親和性予測を行う。
論文 参考訳（メタデータ） (2022-12-20T04:21:19Z) - 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) - Energy-based View of Retrosynthesis [70.66156081030766]
エネルギーモデルとしてシーケンスおよびグラフベースの手法を統一するフレームワークを提案する。
本稿では,ベイズ前方および後方予測に対して一貫した訓練を行うフレームワーク内での新しい二重変種を提案する。
このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
論文 参考訳（メタデータ） (2020-07-14T18:51:06Z) - Graph Neural Networks for the Prediction of Substrate-Specific Organic
Reaction Conditions [79.45090959869124]
有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。
実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
論文 参考訳（メタデータ） (2020-07-08T17:21:00Z)
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。