論文の概要: MOFFlow: Flow Matching for Structure Prediction of Metal-Organic Frameworks
- arxiv url: http://arxiv.org/abs/2410.17270v1
- Date: Mon, 07 Oct 2024 13:51:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-27 05:40:23.094517
- Title: MOFFlow: Flow Matching for Structure Prediction of Metal-Organic Frameworks
- Title(参考訳): MOFFlow:金属-有機組織構造予測のためのフローマッチング
- Authors: Nayoung Kim, Seongsu Kim, Minsu Kim, Jinkyoo Park, Sungsoo Ahn,
- Abstract要約: 金属-有機フレームワーク(英: Metal-organic framework、MOF)は、炭素捕獲や薬物の放出といった多くの分野で有望な応用を持つ結晶材料のクラスである。
ab initio計算や深い生成モデルを含む既存のアプローチは、単位セル内の多くの原子のためにMOF構造が複雑になるのに苦労している。
我々はMOF構造予測に適した最初の深部生成モデルMOFFlowを紹介する。
- 参考スコア(独自算出の注目度): 42.61784133509237
- License:
- Abstract: Metal-organic frameworks (MOFs) are a class of crystalline materials with promising applications in many areas such as carbon capture and drug delivery. In this work, we introduce MOFFlow, the first deep generative model tailored for MOF structure prediction. Existing approaches, including ab initio calculations and even deep generative models, struggle with the complexity of MOF structures due to the large number of atoms in the unit cells. To address this limitation, we propose a novel Riemannian flow matching framework that reduces the dimensionality of the problem by treating the metal nodes and organic linkers as rigid bodies, capitalizing on the inherent modularity of MOFs. By operating in the $SE(3)$ space, MOFFlow effectively captures the roto-translational dynamics of these rigid components in a scalable way. Our experiment demonstrates that MOFFlow accurately predicts MOF structures containing several hundred atoms, significantly outperforming conventional methods and state-of-the-art machine learning baselines while being much faster.
- Abstract(参考訳): 金属-有機フレームワーク(英: Metal-organic framework、MOF)は、炭素捕獲や薬物の放出といった多くの分野で有望な応用を持つ結晶材料のクラスである。
本稿では,MOF構造予測に適した最初の深部生成モデルMOFFlowを紹介する。
ab initio計算や深い生成モデルを含む既存のアプローチは、単位セル内の多くの原子のためにMOF構造が複雑になるのに苦労している。
この制限に対処するために、金属ノードと有機リンカーを剛体として扱い、MOFの本質的なモジュラリティを生かして問題の次元を小さくする新しいリーマンフローマッチングフレームワークを提案する。
$SE(3)$空間で操作することで、MOFFlowは、これらの剛体コンポーネントのロト-翻訳ダイナミクスを、スケーラブルな方法で効果的にキャプチャする。
実験の結果,MOFFlowは数百個の原子を含むMOF構造を正確に予測し,従来の手法や最先端の機械学習ベースラインよりもはるかに高速であることがわかった。
関連論文リスト
- DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
DiffMSは式制限エンコーダ-デコーダ生成ネットワークである。
我々は、潜伏埋め込みと分子構造を橋渡しする頑健なデコーダを開発する。
実験の結果、DiffMS は $textitde novo$ 分子生成で既存のモデルより優れていることが示された。
論文 参考訳(メタデータ) (2025-02-13T18:29:48Z) - RFL: Simplifying Chemical Structure Recognition with Ring-Free Language [66.47173094346115]
化学構造を階層的に記述する新しいリング自由言語(RFL)を提案する。
RFLは複雑な分子構造を複数の部分に分解し、特異性と簡潔性の両方を保証する。
分子骨格と個々の環を段階的に予測する骨格生成モジュールからなる普遍的な分子骨格デコーダ(MSD)を提案する。
論文 参考訳(メタデータ) (2024-12-10T15:29:32Z) - Searching for Efficient Linear Layers over a Continuous Space of Structured Matrices [88.33936714942996]
アインシュタイン和を通じて表現可能なすべての線形作用素の探索を可能にする統一フレームワークを提案する。
計算-最適スケーリング法則の違いは主に少数の変数によって支配されていることを示す。
そこで,Mixture-of-Experts (MoE) は,注目ブロックの投影を含む,モデルのすべての線形層におけるMoEを学習する。
論文 参考訳(メタデータ) (2024-10-03T00:44:50Z) - MOFDiff: Coarse-grained Diffusion for Metal-Organic Framework Design [4.819734936375677]
金属-有機フレームワーク(MOF)は、ガス貯蔵や炭素捕獲といった応用に非常に関心がある。
CGMOF構造を生成する粗粒拡散モデルMOFDiffを提案する。
有効かつ斬新なMOF構造の生成能力と優れたMOF材料の設計における有効性を評価する。
論文 参考訳(メタデータ) (2023-10-16T18:00:15Z) - A generative artificial intelligence framework based on a molecular
diffusion model for the design of metal-organic frameworks for carbon capture [3.7693836475281297]
GHP-MOFassembleは、CO2容量と合成可能なリンカーを備えたMOFの合理的かつ迅速な設計のための生成人工知能フレームワークである。
GHP-MOFassembleは、一意性、合成可能性、構造的妥当性のためにAI生成のMOFをスクリーンし、検証する。
仮説MOFデータセットの96.9%以上の2$m mol/g$以上のCO2容量を持つAI生成MOFの上位6つを提示する。
論文 参考訳(メタデータ) (2023-06-14T18:32:26Z) - MOFormer: Self-Supervised Transformer model for Metal-Organic Framework
Property Prediction [7.367477168940467]
金属有機フレームワーク(英: Metal-Organic Frameworks、MOFs)は、エネルギー貯蔵、脱塩、ガス貯蔵、ガス分離などの用途に使用できる多孔質材料である。
特定のアプリケーションに最適なMOFを見つけるには、膨大な数の候補を効率よく正確に探索する必要がある。
そこで本研究では,MOFの特性予測のために,MOFormerと呼ばれるトランスフォーマーモデルに基づく構造に依存しないディープラーニング手法を提案する。
論文 参考訳(メタデータ) (2022-10-25T17:29:42Z) - Building Open Knowledge Graph for Metal-Organic Frameworks (MOF-KG):
Challenges and Case Studies [63.61566811532431]
金属有機フレームワーク(MOF)は、ガス貯蔵、分子分離、化学センシング、結晶および薬物のデリバリーといった応用に革命をもたらす大きな可能性を持っている。
ケンブリッジ構造データベース(CSD)は10,636個のMOF結晶を報告しており、これには114,373個のMOF構造が含まれる。
本稿では,MOF予測,発見,合成を容易にする知識グラフ手法の活用に向けた取り組みについて述べる。
論文 参考訳(メタデータ) (2022-07-10T16:41:11Z) - Using Machine Learning and Data Mining to Leverage Community Knowledge
for the Engineering of Stable Metal-Organic Frameworks [0.9187159782788578]
MOFは、ガス分離から安定性まで、エンジニアリング上の課題を約束している。
限界を克服するために、我々はMOFの安定性の重要な側面について数千のレポートを抽出した。
自然言語処理と自動画像解析を用いて,2,000以上の溶媒除去測定値と3,000以上の熱温度を得る。
論文 参考訳(メタデータ) (2021-06-24T21:35:26Z) - 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)
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。