Fugu-MT 論文翻訳(概要): Polyatomic Complexes: A topologically-informed learning representation for atomistic systems

論文の概要: Polyatomic Complexes: A topologically-informed learning representation for atomistic systems

arxiv url: http://arxiv.org/abs/2409.15600v1
Date: Mon, 23 Sep 2024 23:09:23 GMT
ステータス: 処理完了
システム内更新日: 2024-09-26 12:02:22.527644
Title: Polyatomic Complexes: A topologically-informed learning representation for atomistic systems
Title（参考訳）: 多原子錯体 : トポロジカルにインフォームドされた原子系の学習表現
Authors: Rahul Khorana, Marcus Noack, Jin Qian,
Abstract要約: 原子系の表現について述べる。原子論系を符号化する一般的なアルゴリズムを提供する。各種タスクにおける最先端手法に匹敵する性能を報告する。
参考スコア（独自算出の注目度）: 0.5461938536945723
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Developing robust physics-informed representations of chemical structures that enable models to learn topological inductive biases is challenging. In this manuscript, we present a representation of atomistic systems. We begin by proving that our representation satisfies all structural, geometric, efficiency, and generalizability constraints. Afterward, we provide a general algorithm to encode any atomistic system. Finally, we report performance comparable to state-of-the-art methods on numerous tasks. We open-source all code and datasets. The code and data are available at https://github.com/rahulkhorana/PolyatomicComplexes.
Abstract（参考訳）: モデルがトポロジカルな帰納バイアスを学習できるような、ロバストな物理インフォームドな化学構造の表現を開発することは困難である。本書では,原子系の表現について述べる。まず、我々の表現がすべての構造的、幾何学的、効率、一般化可能性の制約を満たすことを証明する。その後、あらゆる原子系を符号化する一般的なアルゴリズムを提供する。最後に,多くのタスクにおける最先端手法に匹敵する性能を報告する。すべてのコードとデータセットをオープンソースにしています。コードとデータはhttps://github.com/rahulkhorana/PolyatomicComplexesで公開されている。

関連論文リスト

Generative Topology for Shape Synthesis [13.608942872770855]
我々はポイントクラウド上での形状生成タスクのための新しいフレームワークを開発する。提案モデルでは, 復元作業や生成作業の質が高く, 効率の良い潜在空間を確保でき, 既存の手法よりも桁違いに高速である。
論文参考訳（メタデータ） (2024-10-09T17:19:22Z)
Bisimulation Learning [55.859538562698496]
我々は、大きな、潜在的に無限の状態空間を持つ状態遷移系の有限バイシミュレートを計算する。提案手法は,実際に行われている他の最先端ツールよりも高速な検証結果が得られる。
論文参考訳（メタデータ） (2024-05-24T17:11:27Z)
Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
大規模言語モデル(LLM)に基づくKG上の複雑な推論スキーマを提案する。任意の一階論理クエリを二分木分解により拡張し、LLMの推論能力を刺激する。広く使われているデータセットに対する実験では、LACTは高度な手法よりも大幅に改善されている(平均+5.5% MRRスコア)。
論文参考訳（メタデータ） (2024-05-02T18:12:08Z)
Atomas: Hierarchical Alignment on Molecule-Text for Unified Molecule Understanding and Generation [42.08917809689811]
SMILES文字列とテキストから表現を共同学習するマルチモーダルな分子表現学習フレームワークAtomasを提案する。検索タスクでは、Atomasは堅牢な一般化能力を示し、ベースラインを平均30.8%上回っている。生成タスクでは、Atomasは分子キャプションタスクと分子生成タスクの両方で最先端の結果を達成する。
論文参考訳（メタデータ） (2024-04-23T12:35:44Z)
MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
化学構造を視覚的に認識するためにMolGrapherを導入する。すべての候補原子と結合をノードとして扱い、それらをグラフ化する。グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
論文参考訳（メタデータ） (2023-08-23T16:16:11Z)
A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
論文参考訳（メタデータ） (2023-07-16T15:59:13Z)
Algorithmic Determination of the Combinatorial Structure of the Linear Regions of ReLU Neural Networks [0.0]
正準多面体のすべての次元の領域と面を決定する。この全標準構造を計算するアルゴリズムを提案する。得られたアルゴリズムは、中間ニューロンの数に時間とともに数値的に安定し、すべての次元にわたって正確な情報を得る。
論文参考訳（メタデータ） (2022-07-15T18:36:12Z)
Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文参考訳（メタデータ） (2021-10-28T14:59:41Z)
Informed Equation Learning [31.29253826586943]
本稿では,科学と工学のための情報方程式学習システムを提案する。許可または禁止された方程式成分に関する専門家の知識が組み込まれている。そこで本システムは,特異点を示す原子関数を持つ方程式の学習にロバストな手法を用いる。
論文参考訳（メタデータ） (2021-05-13T14:37:25Z)
Geometric Matrix Completion: A Functional View [35.58521417084282]
より解釈可能で理論的に健全な関数型地図文献から着想を得た新しい正規化を提案する。基礎となる幾何学的構造が強い合成タスクでは、我々のフレームワークは大きなマージンで芸術の状態を上回ります。実際のデータセットでは、従来の手法の計算作業のほんの一部で最先端の結果が得られる。
論文参考訳（メタデータ） (2020-09-29T23:23:04Z)
Building powerful and equivariant graph neural networks with structural message-passing [74.93169425144755]
本稿では,2つのアイデアに基づいた,強力かつ同変なメッセージパッシングフレームワークを提案する。まず、各ノードの周囲の局所的コンテキスト行列を学習するために、特徴に加えてノードの1ホット符号化を伝搬する。次に,メッセージのパラメトリゼーション手法を提案する。
論文参考訳（メタデータ） (2020-06-26T17:15:16Z)

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。