論文の概要: Infrared Spectra Prediction for Diazo Groups Utilizing a Machine
Learning Approach with Structural Attention Mechanism
- arxiv url: http://arxiv.org/abs/2402.03112v1
- Date: Mon, 5 Feb 2024 15:44:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 15:18:53.194111
- Title: Infrared Spectra Prediction for Diazo Groups Utilizing a Machine
Learning Approach with Structural Attention Mechanism
- Title(参考訳): 構造的注意機構を持つ機械学習手法を用いたダイアゾ群の赤外スペクトル予測
- Authors: Chengchun Liu and Fanyang Mo
- Abstract要約: 赤外分光法は、分子構造や力学を振動や回転の遷移を通じて解明する化学研究において重要な技術である。
本稿では、特にジアゾ化合物の赤外スペクトルの予測と解釈を強化するために、構造的注意機構を用いた機械学習手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Infrared (IR) spectroscopy is a pivotal technique in chemical research for
elucidating molecular structures and dynamics through vibrational and
rotational transitions. However, the intricate molecular fingerprints
characterized by unique vibrational and rotational patterns present substantial
analytical challenges. Here, we present a machine learning approach employing a
Structural Attention Mechanism tailored to enhance the prediction and
interpretation of infrared spectra, particularly for diazo compounds. Our model
distinguishes itself by honing in on chemical information proximal to
functional groups, thereby significantly bolstering the accuracy, robustness,
and interpretability of spectral predictions. This method not only demystifies
the correlations between infrared spectral features and molecular structures
but also offers a scalable and efficient paradigm for dissecting complex
molecular interactions.
- Abstract(参考訳): 赤外分光法は、分子構造や力学を振動や回転の遷移を通じて解明する化学研究において重要な技術である。
しかし, 特異な振動パターンと回転パターンを特徴とする複雑な分子指紋は, かなりの解析上の課題を呈している。
本稿では、特にジアゾ化合物の赤外線スペクトルの予測と解釈を強化するために、構造注意機構を用いた機械学習手法を提案する。
本モデルでは, スペクトル予測の精度, 頑健性, 解釈可能性を大幅に向上させるため, 官能基に近縁な化学情報を活用することで, 自己を識別する。
この手法は赤外スペクトルの特徴と分子構造との相関を緩和するだけでなく、複雑な分子間相互作用を分離するためのスケーラブルで効率的なパラダイムを提供する。
関連論文リスト
- Empowering Machines to Think Like Chemists: Unveiling Molecular
Structure-Polarity Relationships with Hierarchical Symbolic Regression [1.6986628849901197]
階層型ニューラルネットワークとシンボル回帰を組み合わせた非教師付き階層型シンボル回帰(UHiSR)を導入する。
UHiSRは化学直観的な極性指数を自動的に蒸留し、分子構造とクロマトグラフィーの挙動を結びつける解釈可能な方程式を発見する。
論文 参考訳(メタデータ) (2024-01-25T02:48:44Z) - Carbohydrate NMR chemical shift predictions using E(3) equivariant graph
neural networks [0.0]
この研究は、E(3)同変グラフニューラルネットワークを利用して炭水化物NMRスペクトルを予測する新しいアプローチを導入する。
特に,従来のモデルと比較して,平均絶対誤差を最大3倍に削減した。
この含意は、炭水化物の構造とスペクトル解釈の高度な理解を超えている。
論文 参考訳(メタデータ) (2023-11-21T15:01:14Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳(メタデータ) (2023-06-08T17:12:08Z) - Decoding Structure-Spectrum Relationships with Physically Organized
Latent Spaces [6.36075035468233]
構造スペクトル関係の発見のための半教師付き機械学習手法を開発し,実証した。
本手法は,個々の構造記述子とスペクトル傾向の1対1マッピングを構成する。
RankAAE法は連続的かつ解釈可能な潜在空間を生成し、各次元は個々の構造記述子を追跡することができる。
論文 参考訳(メタデータ) (2023-01-11T21:30:22Z) - Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet
Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。
スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。
主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文 参考訳(メタデータ) (2022-01-07T22:26:33Z) - Gaussian Process Regression for Absorption Spectra Analysis of Molecular
Dimers [68.8204255655161]
本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。
このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。
実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
論文 参考訳(メタデータ) (2021-12-14T17:46:45Z) - Unsupervised Spectral Unmixing For Telluric Correction Using A Neural
Network Autoencoder [58.720142291102135]
本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
論文 参考訳(メタデータ) (2021-11-17T12:54:48Z) - Simulation of absorption spectra of molecular aggregates: a Hierarchy of
Stochastic Pure States approach [68.8204255655161]
純粋な状態の階層(HOPS)は、局所的な軌跡に基づく正式な正確な解を提供する。
大集合体における吸収スペクトルのシミュレーションのためにHOPSの局在を爆発させるには、正規化軌道の定式化が必要である。
論文 参考訳(メタデータ) (2021-11-01T16:59:54Z) - Infrared spectra of neutral polycyclic aromatic hydrocarbons by machine
learning [0.0]
本研究では,ニューラルネットワークアーキテクチャに基づくポテンシャルエネルギー表面と双極子マッピングを開発するために,機械学習技術を用いた。
得られたANNは、これらの小分子の赤外スペクトルを回収することができるが、より重要なことは、トレーニングセットとは異なる8つの大きなPAHを抽出し、我々のアプローチの伝達可能性を示すことである。
論文 参考訳(メタデータ) (2020-10-26T16:02:04Z) - Deep Neural Networks for the Correction of Mie Scattering in
Fourier-Transformed Infrared Spectra of Biological Samples [0.0]
本稿では,この複雑な前処理関数をディープニューラルネットワークを用いて近似する手法を提案する。
提案手法は, 時間と補正スペクトルとのトレードオフを克服し, 人工基準スペクトルに偏りを生じさせる。
論文 参考訳(メタデータ) (2020-02-18T16:07:07Z) - Explainable Deep Relational Networks for Predicting Compound-Protein
Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。
それは最先端技術に対する優れた解釈可能性を示している。
接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文 参考訳(メタデータ) (2019-12-29T00:14:07Z)
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。