論文の概要: Symmetry-Constrained Generation of Diverse Low-Bandgap Molecules with Monte Carlo Tree Search
- arxiv url: http://arxiv.org/abs/2410.08833v2
- Date: Thu, 12 Dec 2024 16:22:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-13 17:00:51.971519
- Title: Symmetry-Constrained Generation of Diverse Low-Bandgap Molecules with Monte Carlo Tree Search
- Title（参考訳）: モンテカルロ木探索による逆低バンドギャップ分子の対称性制約生成
- Authors: Akshay Subramanian, James Damewood, Juno Nam, Kevin P. Greenman, Avni P. Singhal, Rafael Gómez-Bombarelli,
- Abstract要約: 近赤外(NIR)感受性分子は、夜間視覚装置や生体医用イメージングにユニークな用途を持つ。
我々は、有機電子分子のドメインに焦点をあてた特許によるデータセットから構造的先行性を活用する。
提案手法は,特許データセットから対称性制約を保ちつつ,赤方偏移吸収を示す候補を生成する。
- 参考スコア（独自算出の注目度）: 0.7893073641122971
- License:
- Abstract: Organic optoelectronic materials are a promising avenue for next-generation electronic devices due to their solution processability, mechanical flexibility, and tunable electronic properties. In particular, near-infrared (NIR) sensitive molecules have unique applications in night-vision equipment and biomedical imaging. Molecular engineering has played a crucial role in developing non-fullerene acceptors (NFAs) such as the Y-series molecules, which have significantly improved the power conversion efficiency (PCE) of solar cells and enhanced spectral coverage in the NIR region. However, systematically designing molecules with targeted optoelectronic properties while ensuring synthetic accessibility remains a challenge. To address this, we leverage structural priors from domain-focused, patent-mined datasets of organic electronic molecules using a symmetry-aware fragment decomposition algorithm and a fragment-constrained Monte Carlo Tree Search (MCTS) generator. Our approach generates candidates that retain symmetry constraints from the patent dataset, while also exhibiting red-shifted absorption, as validated by TD-DFT calculations.
- Abstract（参考訳）: 有機光電子材料は、その溶液の処理性、機械的柔軟性、チューニング可能な電子特性のために、次世代の電子機器にとって有望な道である。
特に、近赤外(NIR)感受性分子は、夜間監視装置や生体医用イメージングに特有の用途を持つ。
分子工学は、太陽電池の電力変換効率(PCE)を大幅に改善し、NIR領域のスペクトルカバレッジを向上するY系列分子のような非フルレン受容体(NFA)の開発において重要な役割を担っている。
しかしながら、目的とする光電子特性を持つ分子を体系的に設計する一方で、合成アクセシビリティを確保することは課題である。
そこで我々は,対称性を考慮したフラグメント分解アルゴリズムとフラグメント制約モンテカルロ木探索(MCTS)ジェネレータを用いて,有機電子分子のドメイン中心で特許を負うデータセットの構造的先行性を活用する。
提案手法は,TD-DFT計算で検証されるように,特許データセットから対称性制約を保ちながら,赤方偏移吸収を示す候補を生成する。
関連論文リスト
- Machine-learned molecular mechanics force field for the simulation of
protein-ligand systems and beyond [33.54862439531144]
生体分子シミュレーションとコンピュータ支援薬物設計には, 信頼性および分子力学(MM)力場の開発が不可欠である。
本稿では、一般化された機械学習型MM力場、ttexttespaloma-0.3、およびグラフニューラルネットワークを用いたエンドツーエンドの微分可能なフレームワークを紹介する。
力場は、小さな分子、ペプチド、核酸を含む薬物発見に非常に関係した化学ドメインの量子化学エネルギー特性を再現する。
論文 参考訳（メタデータ） (2023-07-13T23:00:22Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - A2I Transformer: Permutation-equivariant attention network for pairwise
and many-body interactions with minimal featurization [0.1469945565246172]
本研究では,粒子の座標から原子間エネルギーを直接予測するエンド・ツー・エンドモデルを提案する。
我々は,周期境界条件 (PBC) や$n$-body相互作用,バイナリ合成など,分子シミュレーション問題におけるいくつかの課題に対して実験を行った。
論文 参考訳（メタデータ） (2021-10-27T12:18:25Z) - Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。
分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
論文 参考訳（メタデータ） (2021-10-26T14:14:40Z) - Demonstration of electron-nuclear decoupling at a spin clock transition [54.088309058031705]
クロック遷移は磁気ノイズから分子スピン量子ビットを保護する。
核自由度への線形結合は、電子コヒーレンスの変調と崩壊を引き起こす。
核浴への量子情報漏洩がないことは、他のデコヒーレンス源を特徴づける機会を与える。
論文 参考訳（メタデータ） (2021-06-09T16:23:47Z) - Augmenting Molecular Deep Generative Models with Topological Data
Analysis Representations [21.237758981760784]
分子のトポロジカルデータ解析(TDA)表現を付加したSMILES変分自動エンコーダ(VAE)を提案する。
実験の結果, このTDA拡張により, SMILES VAEは3次元幾何学と電子特性の複雑な関係を捉えることができることがわかった。
論文 参考訳（メタデータ） (2021-06-08T15:49:21Z) - 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) - Accelerated Simulations of Molecular Systems through Learning of their
Effective Dynamics [4.276697874428501]
本稿では,最大3桁のシミュレーションを行うための新しい枠組みを提案する。
ledは分子系の効果的なダイナミクスを学ぶ。
我々は、M"ueller-Brown電位、Trp Cageタンパク質、およびアラニンジペプチドにおけるLEDの有効性を実証する。
論文 参考訳（メタデータ） (2021-02-17T15:15:37Z) - Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。
QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。
QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-03T18:51:18Z) - Machine learning of solvent effects on molecular spectra and reactions [3.4376560669160394]
本稿では、分子と任意の外部磁場との相互作用をモデル化するためのディープニューラルネットワークFieldSchNetを紹介する。
FieldSchNetは豊富な分子応答特性へのアクセスを提供し、幅広い分子スペクトルをシミュレートすることができる。
本研究では、FieldSchNetを用いて、溶媒効果が分子スペクトルおよびクレイゼン配位反応に与える影響を研究する。
論文 参考訳（メタデータ） (2020-10-28T12:50:30Z) - Data-Driven Discovery of Molecular Photoswitches with Multioutput
Gaussian Processes [51.17758371472664]
フォトウィッチ可能な分子は、光によってアクセスされる2つ以上の異性体である。
本稿では、データセットキュレーションとマルチタスク学習を基盤とした、分子フォトウィッチのためのデータ駆動探索パイプラインを提案する。
提案手法は, 市販フォトウィッチ可能な分子のライブラリーをスクリーニングし, 実験的に検証した。
論文 参考訳（メタデータ） (2020-06-28T20:59:03Z)
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。