論文の概要: Riemannian Denoising Score Matching for Molecular Structure Optimization with Accurate Energy

• arxiv url: http://arxiv.org/abs/2411.19769v1
• Date: Fri, 29 Nov 2024 15:17:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:18:38.063566
• Title: Riemannian Denoising Score Matching for Molecular Structure Optimization with Accurate Energy
• Title（参考訳）: 正確なエネルギーを用いた分子構造最適化のためのリーマンDenoising Score Matching
• Authors: Jeheon Woo, Seonghwan Kim, Jun Hyeong Kim, Woo Youn Kim,
• Abstract要約: 本研究では、高エネルギー精度で分子構造を生成することを目的とした、改良されたスコアマッチング手法を提案する。 この研究の意味は、計算化学における様々な応用にまで拡張され、正確な分子構造予測のための堅牢なツールを提供する。
• 参考スコア（独自算出の注目度）: 0.9155910939989977
• License:
• Abstract: This study introduces a modified score matching method aimed at generating molecular structures with high energy accuracy. The denoising process of score matching or diffusion models mirrors molecular structure optimization, where scores act like physical force fields that guide particles toward equilibrium states. To achieve energetically accurate structures, it can be advantageous to have the score closely approximate the gradient of the actual potential energy surface. Unlike conventional methods that simply design the target score based on structural differences in Euclidean space, we propose a Riemannian score matching approach. This method represents molecular structures on a manifold defined by physics-informed internal coordinates to efficiently mimic the energy landscape, and performs noising and denoising within this space. Our method has been evaluated by refining several types of starting structures on the QM9 and GEOM datasets, demonstrating that the proposed Riemannian score matching method significantly improves the accuracy of the generated molecular structures, attaining chemical accuracy. The implications of this study extend to various applications in computational chemistry, offering a robust tool for accurate molecular structure prediction.
• Abstract（参考訳）: 本研究では、高エネルギー精度で分子構造を生成することを目的とした、改良されたスコアマッチング手法を提案する。 スコアマッチングや拡散モデルの認知過程は分子構造最適化を反映し、スコアは粒子を平衡状態へと導く物理的な力場のように振る舞う。 エネルギー的に正確な構造を達成するためには、スコアを実際のポテンシャルエネルギー面の勾配に近似させることが有利である。 ユークリッド空間の構造的差異に基づいて目標スコアを設計する従来の方法とは異なり、リーマンスコアマッチング手法を提案する。 この方法では、物理インフォームドの内部座標によって定義される多様体上の分子構造を表現し、エネルギーの景観を効率的に模倣し、この空間内での雑音化と雑音化を行う。 提案手法は,QM9およびGEOMデータセット上のいくつかの種類の開始構造を精製することにより評価され,提案手法が生成した分子構造の精度を大幅に向上し,化学的精度が得られた。 この研究の意味は、計算化学における様々な応用にまで拡張され、正確な分子構造予測のための堅牢なツールを提供する。

関連論文リスト

• Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [77.50732023411811]
  変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。 TransDLMは標準化された化学命名法を分子の意味表現として利用し、プロパティ要求をテキスト記述に暗黙的に埋め込む。 提案手法は, 分子構造類似性を最適化し, ベンチマークデータセットの化学的特性を向上するための最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-10-17T14:30:27Z)
• Predicting Molecular Ground-State Conformation via Conformation Optimization [24.18678055892153]
  本稿では,分子基底状態のコンフォーメーションをコンフォーメーション最適化の観点から予測するConfOptという新しいフレームワークを提案する。 トレーニング中、ConfOptは予測された原子3D座標と対応する原子間距離を同時に最適化し、強い予測モデルを生み出した。
  論文  参考訳（メタデータ） (2024-10-13T10:48:22Z)
• Estimation Enhancing in Optoelectronic Property: A Novel Approach Using Orbital Interaction Parameters and Tight-Binding [2.038296154014745]
  本稿では、量子構造の光電子特性を推定するための革新的なアプローチを提唱する。 軌道相互作用パラメータ(OIP)とTight-Binding(TB)理論を用いた3つの異なる位相を含む方法論を提案する。 本研究は, 予測光電子特性の精度に関する有望な結果を示すものである。
  論文  参考訳（メタデータ） (2024-08-29T08:06:37Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• Diffusion-Driven Generative Framework for Molecular Conformation Prediction [0.66567375919026]
  機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。 本研究は,最先端な生成手法を提案する。 メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
  論文  参考訳（メタデータ） (2023-12-22T11:49:39Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• A Score-based Geometric Model for Molecular Dynamics Simulations [33.158796937777886]
  分子配座のログ密度の勾配を推定する新しいモデルScoreMDを提案する。 複数のアーキテクチャの改善により、MD17とC7O2H10の異性体において最先端のベースラインよりも優れています。 この研究は、新しい物質の加速と薬物発見に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2022-04-19T05:13:46Z)
• Differentiable Scaffolding Tree for Molecular Optimization [47.447362691543304]
  本稿では,離散的な化学構造を局所的な微分可能木に変換するための知識ネットワークを用いた微分可能な足場木(DST)を提案する。 実験により, 勾配に基づく分子最適化は有効であり, 試料効率が高いことが示された。
  論文  参考訳（メタデータ） (2021-09-22T01:16:22Z)
• An End-to-End Framework for Molecular Conformation Generation via Bilevel Programming [71.82571553927619]
  分子コンフォメーション予測のためのエンドツーエンドソリューションであるconfvaeを提案する。 具体的には、まず分子グラフを潜時空間に符号化し、3次元構造は原理化された二段階最適化プログラムを解くことによって生成される。
  論文  参考訳（メタデータ） (2021-05-15T15:22:29Z)
• Reinforced Molecular Optimization with Neighborhood-Controlled Grammars [63.84003497770347]
  分子最適化のためのグラフ畳み込みポリシネットワークであるMNCE-RLを提案する。 我々は、元の近傍制御された埋め込み文法を拡張して、分子グラフ生成に適用する。 提案手法は, 分子最適化タスクの多種多様さにおいて, 最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-11-14T05:42:15Z)

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。