論文の概要: Navigating the Maize: Cyclic and conditional computational graphs for molecular simulation

• arxiv url: http://arxiv.org/abs/2402.10064v2
• Date: Wed, 4 Sep 2024 12:28:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-07 03:56:02.590746
• Title: Navigating the Maize: Cyclic and conditional computational graphs for molecular simulation
• Title（参考訳）: トウモロコシをナビゲートする:分子シミュレーションのための周期および条件計算グラフ
• Authors: Thomas Löhr, Michele Assante, Michael Dodds, Lili Cao, Mikhail Kabeshov, Jon-Paul Janet, Marco Klähn, Ola Engkvist,
• Abstract要約: 多くの計算化学と分子シミュレーションの要素をグラフとして表すことができる。 本研究では,フローベースプログラミングの原理に基づいて,循環型および条件付きグラフのためのワークフローマネージャを開発する。 計算薬物設計における動的能動的学習課題におけるツールの有効性を実証する。
• 参考スコア（独自算出の注目度）: 1.416457150345412
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many computational chemistry and molecular simulation workflows can be expressed as graphs. This abstraction is useful to modularize and potentially reuse existing components, as well as provide parallelization and ease reproducibility. Existing tools represent the computation as a directed acyclic graph (DAG), thus allowing efficient execution by parallelization of concurrent branches. These systems can, however, generally not express cyclic and conditional workflows. We therefore developed Maize, a workflow manager for cyclic and conditional graphs based on the principles of flow-based programming. By running each node of the graph concurrently in separate processes and allowing communication at any time through dedicated inter-node channels, arbitrary graph structures can be executed. We demonstrate the effectiveness of the tool on a dynamic active learning task in computational drug design, involving the use of a small molecule generative model and an associated scoring system, and on a reactivity prediction pipeline using quantum-chemistry and semiempirical approaches.
• Abstract（参考訳）: 多くの計算化学と分子シミュレーションのワークフローはグラフとして表現できる。 この抽象化は,既存のコンポーネントのモジュール化と再利用,並列化と再現性の向上に有用だ。 既存のツールは、計算を有向非巡回グラフ(DAG)として表現し、並列ブランチの並列化による効率的な実行を可能にする。 しかしながら、これらのシステムは概して循環的および条件的ワークフローを表現できない。 そこで我々は,フローベースプログラミングの原理に基づいて,循環グラフと条件グラフのワークフローマネージャMaizeを開発した。 グラフの各ノードを別々のプロセスで同時に実行し、専用のノード間チャネルを介していつでも通信できるようにすることで、任意のグラフ構造を実行できる。 本稿では, 小分子生成モデルと関連するスコアリングシステムと, 量子化学および半経験的アプローチを用いた反応性予測パイプラインを併用した, 計算薬物設計における動的能動学習タスクにおけるツールの有効性を実証する。

関連論文リスト

• Dynamic and Textual Graph Generation Via Large-Scale LLM-based Agent Simulation [70.60461609393779]
  GraphAgent-Generator (GAG) は動的グラフ生成のための新しいシミュレーションベースのフレームワークである。 本フレームワークは,確立されたネットワーク科学理論において,7つのマクロレベルの構造特性を効果的に再現する。 最大10万近いノードと1000万のエッジを持つグラフの生成をサポートし、最低速度は90.4%である。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)
• Continuous Product Graph Neural Networks [5.703629317205571]
  複数のグラフ上に定義されたマルチドメインデータは、計算機科学の実践的応用において大きな可能性を秘めている。 TPDEGの自然な解として現れるCITRUS(Continuous Product Graph Neural Networks)を紹介する。 我々は、CITRUSをよく知られた交通・時間天気予報データセットで評価し、既存の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-29T08:36:09Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Decoupled Graph Neural Networks for Large Dynamic Graphs [14.635923016087503]
  大規模動的グラフのための疎結合グラフニューラルネットワークを提案する。 このアルゴリズムは,両種類の動的グラフにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-05-14T23:00:10Z)
• Flowsheet synthesis through hierarchical reinforcement learning and graph neural networks [0.4588028371034406]
  アクター批判論理に基づく化学プロセス設計のための強化学習アルゴリズムを提案する。 提案アルゴリズムは,化学プロセスをグラフとして表現し,グラフ畳み込みニューラルネットワークを用いてプロセスグラフから学習する。
  論文  参考訳（メタデータ） (2022-07-25T10:42:15Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
  本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。 EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2021-12-14T22:24:53Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Using Graph Neural Networks to model the performance of Deep Neural Networks [2.1151356984322307]
  グラフ表現を取り入れた新しいパフォーマンスモデルを開発した。 実験により,HalideモデルとTVMモデルと比較すると,予測誤差が7:75x,12x減少した。
  論文  参考訳（メタデータ） (2021-08-27T20:20:17Z)
• Graph-Time Convolutional Neural Networks [9.137554315375919]
  第一原理グラフ時間畳み込みニューラルネットワーク(GTCNN)を用いた積グラフによる空間関係の表現 シフト・アンド・テンポラル演算子を追従してグラフタイム畳み込みフィルタを開発し、製品グラフ上の高レベルな特徴を学習する。 アクティブノードの数とパラメータを減らしながら、空間グラフを保存するゼロパッドプーリングを開発しています。
  論文  参考訳（メタデータ） (2021-03-02T14:03:44Z)
• CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning [74.90535111881358]
  新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。 グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。 CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
  論文  参考訳（メタデータ） (2020-12-10T21:14:18Z)

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。