Fugu-MT 論文翻訳(概要): MMPolymer: A Multimodal Multitask Pretraining Framework for Polymer Property Prediction

論文の概要: MMPolymer: A Multimodal Multitask Pretraining Framework for Polymer Property Prediction

arxiv url: http://arxiv.org/abs/2406.04727v2
Date: Fri, 26 Jul 2024 13:24:41 GMT
ステータス: 処理完了
システム内更新日: 2024-07-29 17:42:34.321687
Title: MMPolymer: A Multimodal Multitask Pretraining Framework for Polymer Property Prediction
Title（参考訳）: MMPolymer: 高分子特性予測のためのマルチモーダルマルチタスク事前学習フレームワーク
Authors: Fanmeng Wang, Wentao Guo, Minjie Cheng, Shen Yuan, Hongteng Xu, Zhifeng Gao,
Abstract要約: MMPolymerはポリマー1Dシーケンシャルおよび3D構造情報を組み込んだ新しいマルチタスク事前学習フレームワークである。 MMPolymerは、下流特性予測タスクにおける最先端のパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 24.975491375575224
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Polymers are high-molecular-weight compounds constructed by the covalent bonding of numerous identical or similar monomers so that their 3D structures are complex yet exhibit unignorable regularity. Typically, the properties of a polymer, such as plasticity, conductivity, bio-compatibility, and so on, are highly correlated with its 3D structure. However, existing polymer property prediction methods heavily rely on the information learned from polymer SMILES sequences (P-SMILES strings) while ignoring crucial 3D structural information, resulting in sub-optimal performance. In this work, we propose MMPolymer, a novel multimodal multitask pretraining framework incorporating polymer 1D sequential and 3D structural information to encourage downstream polymer property prediction tasks. Besides, considering the scarcity of polymer 3D data, we further introduce the "Star Substitution" strategy to extract 3D structural information effectively. During pretraining, in addition to predicting masked tokens and recovering clear 3D coordinates, MMPolymer achieves the cross-modal alignment of latent representations. Then we further fine-tune the pretrained MMPolymer for downstream polymer property prediction tasks in the supervised learning paradigm. Experiments show that MMPolymer achieves state-of-the-art performance in downstream property prediction tasks. Moreover, given the pretrained MMPolymer, utilizing merely a single modality in the fine-tuning phase can also outperform existing methods, showcasing the exceptional capability of MMPolymer in polymer feature extraction and utilization.
Abstract（参考訳）: 高分子は、多くの同一または類似のモノマーの共有結合によって構成され、それらの3D構造は複雑であるが、不明瞭な規則性を示す。通常、可塑性、導電性、生体適合性などのポリマーの性質は、その3D構造と強く相関している。しかし、既存のポリマー特性予測法は、重要な3D構造情報を無視しながら、ポリマーSMILES配列(P-SMILES文字列)から得られた情報に大きく依存しているため、準最適性能が得られる。本研究では,高分子1Dシーケンシャルおよび3D構造情報を組み込んだ新しいマルチモーダルマルチタスク事前学習フレームワークMMPolymerを提案する。さらに, ポリマー3Dデータの不足を考慮し, さらに, 3次元構造情報を効果的に抽出する「スター代替」戦略を導入する。プリトレーニング中、マスク付きトークンの予測とクリアな3D座標の復元に加えて、MMPolymerは潜在表現の相互アライメントを達成する。次に、教師付き学習パラダイムにおける下流ポリマー特性予測タスクのために、事前学習したMMPolymerをさらに微調整する。実験により、MMPolymerは下流特性予測タスクにおいて最先端の性能を達成することが示された。さらに, 事前訓練したMMポリマーは, 微調整相における単一モダリティのみを活用するだけで, 既存の手法よりも優れており, 高分子の特徴抽出と利用におけるMMポリマーの異常な能力を示す。

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)
Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文参考訳（メタデータ） (2023-06-13T14:43:13Z)
Photonic Quantum Computing For Polymer Classification [62.997667081978825]
2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
論文参考訳（メタデータ） (2022-11-22T11:59:52Z)
TransPolymer: a Transformer-based language model for polymer property predictions [9.04563945965023]
TransPolymerは、トランスフォーマーをベースとした、高分子特性予測のための言語モデルである。ケミカル・アウェアネスを用いたポリマー・トークンーザは, ポリマー配列からの学習表現を可能にする。
論文参考訳（メタデータ） (2022-09-03T01:29:59Z)
Representing Polymers as Periodic Graphs with Learned Descriptors for Accurate Polymer Property Predictions [16.468017785818198]
我々は、手書きの表現を一貫して上回る周期性ポリマーグラフ表現を開発する。また,高分子グラフ表現とメッセージパッシングニューラルネットワークアーキテクチャを組み合わせることで,意味のある高分子の特徴を自動的に抽出する方法を実証する。
論文参考訳（メタデータ） (2022-05-27T04:14:12Z)
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)
Polyp-PVT: Polyp Segmentation with Pyramid Vision Transformers [124.01928050651466]
本稿では,Polyp-PVTと呼ばれる新しいタイプのPolypセグメンテーション手法を提案する。提案モデルであるPolyp-PVTは,特徴の雑音を効果的に抑制し,その表現能力を大幅に向上させる。
論文参考訳（メタデータ） (2021-08-16T07:09:06Z)
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)
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)
Copolymer Informatics with Multi-Task Deep Neural Networks [0.0]
コポリマーの性質予測の課題に取り組み、ホモポリマーを超えてポリマーインフォマティクスフレームワークを拡張します。 2つのモノマーのホモポリマーと共重合体のガラス転移、融解、分解温度の18,000以上のデータポイントを含む大きなデータセットを用いる。開発されたモデルは、適切なデータが利用可能になったときに、よりコポリマー特性に正確、迅速、柔軟、スケーラブルです。
論文参考訳（メタデータ） (2021-03-25T23:28:20Z)
Polymers for Extreme Conditions Designed Using Syntax-Directed Variational Autoencoders [53.34780987686359]
現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
論文参考訳（メタデータ） (2020-11-04T21:36:59Z)

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。