論文の概要: Stoichiometry Representation Learning with Polymorphic Crystal Structures

• arxiv url: http://arxiv.org/abs/2312.13289v1
• Date: Fri, 17 Nov 2023 20:34:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 13:13:05.381383
• Title: Stoichiometry Representation Learning with Polymorphic Crystal Structures
• Title（参考訳）: 多形結晶構造を用いたstoichiometry表現学習
• Authors: Namkyeong Lee, Heewoong Noh, Gyoung S. Na, Tianfan Fu, Jimeng Sun, Chanyoung Park
• Abstract要約: 確率論記述子は、構造的な情報を持たない特定の化合物を形成するために関係する要素間の比を明らかにすることができる。 本稿では,手軽に利用できる構造情報を利用して,確率論の確率的表現を学習するPolySRLを提案する。
• 参考スコア（独自算出の注目度）: 54.65985356122883
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the recent success of machine learning (ML) in materials science, its success heavily relies on the structural description of crystal, which is itself computationally demanding and occasionally unattainable. Stoichiometry descriptors can be an alternative approach, which reveals the ratio between elements involved to form a certain compound without any structural information. However, it is not trivial to learn the representations of stoichiometry due to the nature of materials science called polymorphism, i.e., a single stoichiometry can exist in multiple structural forms due to the flexibility of atomic arrangements, inducing uncertainties in representation. To this end, we propose PolySRL, which learns the probabilistic representation of stoichiometry by utilizing the readily available structural information, whose uncertainty reveals the polymorphic structures of stoichiometry. Extensive experiments on sixteen datasets demonstrate the superiority of PolySRL, and analysis of uncertainties shed light on the applicability of PolySRL in real-world material discovery. The source code for PolySRL is available at https://github.com/Namkyeong/PolySRL_AI4Science.
• Abstract（参考訳）: 最近の材料科学における機械学習(ML)の成功にもかかわらず、その成功は結晶の構造的記述に大きく依存している。 ストイチオメトリディスクリプタは、構造情報なしで特定の化合物を形成するのに必要な要素間の比率を明らかにする別のアプローチである。 しかし、多型 (polymorphism) と呼ばれる物質科学の性質から、一種類の確率論が原子配置の柔軟性によって複数の構造形式に存在し、表現の不確実性を引き起こすため、確率論の表現を学ぶことは簡単ではない。 そこで本論文では,不確実性が確率論の多形構造を明らかにする構造情報を用いて,確率論の確率論的表現を学習するポリsrlを提案する。 16のデータセットに対する大規模な実験は、PolySRLの優位性を示し、実世界の物質発見におけるPolySRLの適用性に光を当てた不確実性の分析である。 polysrlのソースコードはhttps://github.com/namkyeong/polysrl_ai4scienceで入手できる。

関連論文リスト

• Molecular topological deep learning for polymer property prediction [18.602659324026934]
  高分子特性解析のための分子トポロジカルディープラーニング(Mol-TDL)を開発した。 Mol-TDLは高次相互作用とマルチスケール特性の両方をトポロジカルディープラーニングアーキテクチャに組み込んでいる。
  論文  参考訳（メタデータ） (2024-10-07T05:44:02Z)
• Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
  金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。 炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
  論文  参考訳（メタデータ） (2024-05-09T19:51:27Z)
• Instruction Multi-Constraint Molecular Generation Using a Teacher-Student Large Language Model [49.64512917330373]
  本稿では,学生に類似した多制約分子生成大言語モデルTSMMGを紹介する。 TSMMGを訓練するために、これらの「教師」から分子知識を抽出し、大量のテキスト-分子対を構築する。 我々は,TSMMGが複雑で自然言語で記述された特性を満たす分子を生成できることを実験的に明らかにした。
  論文  参考訳（メタデータ） (2024-03-20T02:15:55Z)
• Towards End-to-End Structure Solutions from Information-Compromised Diffraction Data via Generative Deep Learning [6.617784410952713]
  機械学習(ML)とディープラーニング(DL)は、既に知られている構造を持つ大規模データベースから学習した事前知識を用いて、劣化した入力信号の情報を増大させるため、有望なアプローチである。 ここでは、この問題にエンドツーエンドで対処する堅牢だが汎用的なツールである、バラツキクエリベースのマルチブランチディープニューラルネットワークである、新しいMLアプローチを提案する。 このシステムは、既知の化学組成情報と部分的に知られている化学組成情報の両方で、目に見えない素材の真実と平均9.3.4%の類似性を達成している。
  論文  参考訳（メタデータ） (2023-12-23T02:17:27Z)
• From molecules to scaffolds to functional groups: building context-dependent molecular representation via multi-channel learning [10.025809630976065]
  本稿では,より堅牢で一般化可能な化学知識を学習する,新しい事前学習フレームワークを提案する。 提案手法は,種々の分子特性ベンチマークにおける競合性能を示す。
  論文  参考訳（メタデータ） (2023-11-05T23:47:52Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• 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)
• A graph representation of molecular ensembles for polymer property prediction [3.032184156362992]
  有機分子とは対照的に、ポリマーはよく定義された単一構造ではなく、類似した分子の集合体である。 本稿では,分子アンサンブルのグラフ表現と,高分子特性予測に適したグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-17T20:31:43Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。