論文の概要: A large language model-type architecture for high-dimensional molecular potential energy surfaces

• arxiv url: http://arxiv.org/abs/2412.03831v1
• Date: Thu, 05 Dec 2024 02:48:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:39:02.193409
• Title: A large language model-type architecture for high-dimensional molecular potential energy surfaces
• Title（参考訳）: 高次元分子ポテンシャルエネルギー曲面のための大規模言語モデル型アーキテクチャ
• Authors: Xiao Zhu, Srinivasan S. Iyengar,
• Abstract要約: 我々は、生成AIや自然言語処理において、大規模言語モデルと類似したアルゴリズムを設計し、議論する。 分子系をノード,エッジ,顔などの集合を含むグラフとして表現する。 分子サブシステムを表すこれらの集合間の相互作用は、ポテンシャルエネルギー表面を構築するために用いられる。
• 参考スコア（独自算出の注目度）: 0.6522886615492312
• License:
• Abstract: Computing high dimensional potential surfaces for molecular and materials systems is considered to be a great challenge in computational chemistry with potential impact in a range of areas including fundamental prediction of reaction rates. In this paper we design and discuss an algorithm that has similarities to large language models in generative AI and natural language processing. Specifically, we represent a molecular system as a graph which contains a set of nodes, edges, faces etc. Interactions between these sets, which represent molecular subsystems in our case, are used to construct the potential energy surface for a reasonably sized chemical system with 51 dimensions. Essentially a family of neural networks that pertain to the graph-based subsystems, get the job done for this 51 dimensional system. We then ask if this same family of lower-dimensional neural networks can be transformed to provide accurate predictions for a 186 dimensional potential surface. We find that our algorithm does provide reasonably accurate results for this larger dimensional problem with sub-kcal/mol accuracy for the higher dimensional potential surface problem.
• Abstract（参考訳）: 分子および材料系の高次元ポテンシャル曲面の計算は、反応速度の基本的な予測を含む様々な領域における潜在的な影響を持つ計算化学において大きな課題であると考えられている。 本稿では,生成AIと自然言語処理における大規模言語モデルに類似したアルゴリズムの設計と検討を行う。 具体的には、ノード、エッジ、顔などの集合を含むグラフとして分子系を表現する。 分子サブシステムを表すこれらの集合間の相互作用は、51次元の合理的な大きさの化学系のためのポテンシャルエネルギー表面を構築するために用いられる。 本質的には、グラフベースのサブシステムに関連するニューラルネットワークのファミリーは、この51次元システムのために仕事をこなす。 次に、この低次元ニューラルネットワークの族を変換して、186次元のポテンシャル曲面を正確に予測できるかどうかを問う。 我々のアルゴリズムは,高次元ポテンシャル表面問題に対して,サブカル/molの精度で,この大きな次元問題に対して,合理的に精度の高い結果が得られることがわかった。

関連論文リスト

• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• LaB-GATr: geometric algebra transformers for large biomedical surface and volume meshes [1.4637995279014533]
  高忠実度メッシュを用いた学習のための幾何学的トークン化を備えた深層ニューラルネットワークLaB-GATrを提案する。 LaB-GATrは、心臓血管血行動態モデリングと神経発達型表現型予測の3つの課題について最先端の結果を得る。 以上の結果から,LaB-GATrは高忠実度メッシュで学習するための強力なアーキテクチャであることを示す。
  論文  参考訳（メタデータ） (2024-03-12T11:19:46Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Approximating High-Dimensional Minimal Surfaces with Physics-Informed Neural Networks [2.3076986663832044]
  本稿では,PDE (Partial Differential Equation) の基本型である最小曲面の数値近似を高次元で計算する。 ここで選択された解法は、最小表面PDEを解決するためにディープニューラルネットワーク(DNN)を訓練する物理情報ニューラルネットワーク(PINN)として知られるモデルである。 高次元の出力を見ることができないため、我々のデータは十分な固定軸を持つ高次元形状のスニペットとして示され、3次元グラフで見ることができる。
  論文  参考訳（メタデータ） (2023-09-05T21:25:50Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• ViSNet: an equivariant geometry-enhanced graph neural network with vector-scalar interactive message passing for molecules [69.05950120497221]
  本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。 提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
  論文  参考訳（メタデータ） (2022-10-29T07:12:46Z)
• Equivariant Graph Attention Networks for Molecular Property Prediction [0.34376560669160383]
  大きさの異なる3D分子構造について学ぶことは、機械学習、特に薬物発見における新たな課題である。 本稿では,カルテシアン座標を用いた等変グラフニューラルネットワーク(GNN)を提案する。 小分子の量子力学的性質の予測におけるアーキテクチャの有効性を実証し,タンパク質複合体などの高分子構造に関する問題に対するその利点を示す。
  論文  参考訳（メタデータ） (2022-02-20T19:07:29Z)
• Gaussian Moments as Physically Inspired Molecular Descriptors for Accurate and Scalable Machine Learning Potentials [0.0]
  本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。 化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
  論文  参考訳（メタデータ） (2021-09-15T16:46:46Z)
• 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)
• ATOM3D: Tasks On Molecules in Three Dimensions [91.72138447636769]
  近年、深層ニューラルネットワークが注目されている。 本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介する。 これらのタスクごとに3次元の分子学習ネットワークを開発し、パフォーマンスを一貫して改善します。
  論文  参考訳（メタデータ） (2020-12-07T20:18:23Z)

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。