論文の概要: RingFormer: A Ring-Enhanced Graph Transformer for Organic Solar Cell Property Prediction

• arxiv url: http://arxiv.org/abs/2412.09030v1
• Date: Thu, 12 Dec 2024 07:45:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 13:33:48.972574
• Title: RingFormer: A Ring-Enhanced Graph Transformer for Organic Solar Cell Property Prediction
• Title（参考訳）: RingFormer: 有機太陽電池特性予測のためのリング強化グラフ変換器
• Authors: Zhihao Ding, Ting Zhang, Yiran Li, Jieming Shi, Chen Jason Zhang,
• Abstract要約: RingFormerは、OSC分子の原子およびリングレベルの構造パターンをキャプチャするために特別に設計されたグラフトランスフォーマーフレームワークである。 5つのOSC分子データセット上でのRingFormerの有効性を広範囲な実験により評価した。
• 参考スコア（独自算出の注目度）: 10.29843192802887
• License:
• Abstract: Organic Solar Cells (OSCs) are a promising technology for sustainable energy production. However, the identification of molecules with desired OSC properties typically involves laborious experimental research. To accelerate progress in the field, it is crucial to develop machine learning models capable of accurately predicting the properties of OSC molecules. While graph representation learning has demonstrated success in molecular property prediction, it remains underexplored for OSC-specific tasks. Existing methods fail to capture the unique structural features of OSC molecules, particularly the intricate ring systems that critically influence OSC properties, leading to suboptimal performance. To fill the gap, we present RingFormer, a novel graph transformer framework specially designed to capture both atom and ring level structural patterns in OSC molecules. RingFormer constructs a hierarchical graph that integrates atomic and ring structures and employs a combination of local message passing and global attention mechanisms to generate expressive graph representations for accurate OSC property prediction. We evaluate RingFormer's effectiveness on five curated OSC molecule datasets through extensive experiments. The results demonstrate that RingFormer consistently outperforms existing methods, achieving a 22.77% relative improvement over the nearest competitor on the CEPDB dataset.
• Abstract（参考訳）: 有機太陽電池(OSC)は持続可能なエネルギー生産のための有望な技術である。 しかし、OSC特性が望ましい分子の同定には、通常、精巧な実験的研究が伴う。 この分野の進展を加速するためには、OSC分子の性質を正確に予測できる機械学習モデルを開発することが重要である。 グラフ表現学習は分子特性予測に成功しているが、OSC固有のタスクについては未検討である。 既存の手法ではOSC分子の特異な構造的特徴、特にOSC特性に重大な影響を及ぼす複雑な環系を捉えることができず、準最適性能をもたらす。 このギャップを埋めるために、OSC分子の原子および環レベルの構造パターンを捉えるために特別に設計された新しいグラフトランスフォーマーフレームワークであるRingFormerを提案する。 RingFormerは、原子構造とリング構造を統合した階層グラフを構築し、局所メッセージパッシングとグローバルアテンション機構を組み合わせて、正確なOSC特性予測のための表現グラフ表現を生成する。 5つのOSC分子データセット上でのRingFormerの有効性を広範囲な実験により評価した。 結果は、RingFormerが既存のメソッドを一貫して上回り、CEPDBデータセットの最も近い競合相手よりも22.77%の相対的な改善を実現していることを示している。

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)
• Biogeochemistry-Informed Neural Network (BINN) for Improving Accuracy of Model Prediction and Scientific Understanding of Soil Organic Carbon [20.23597761416224]
  バイオゲオケミカルインフォームドニューラルネットワーク(BINN)を開発し,ビッグデータから機械的知識を抽出する。 BINNは、米国全体で観測されたSOCプロファイル25,925から、土壌炭素循環を調節する6つの主要なプロセスを予測する。 BINNにおけるニューラルネットワークとプロセスベースモデルの統合により、計算効率は ProDA の50倍以上向上する。
  論文  参考訳（メタデータ） (2025-02-02T05:02:42Z)
• Adaptive Clustering for Efficient Phenotype Segmentation of UAV Hyperspectral Data [1.6135226672466307]
  無人航空機 (UAV) とハイパースペクトルイメージング (HSI) が組み合わさって、環境および農業用途の可能性を秘めている。 本稿では,リアルタイムツリー表現型セグメンテーションのためのオンラインハイパースペクトル簡易線形反復クラスタリングアルゴリズム(OHSLIC)を提案する。
  論文  参考訳（メタデータ） (2025-01-17T13:48:04Z)
• Graph neural network framework for energy mapping of hybrid monte-carlo molecular dynamics simulations of Medium Entropy Alloys [0.0]
  本研究では, 中エントロピー合金(MEAs)のモデリングのためのグラフベース表現を提案する。 ハイブリッドモンテカルロ分子動力学(MC/MD)シミュレーションは、MEAの様々な熱処理温度で熱的に安定な構造を実現するために用いられる。 これらのシミュレーションはダンプファイルとポテンシャルエネルギーラベルを生成し、原子配置のグラフ表現を構築するのに使用される。 これらのグラフは、システムのポテンシャルエネルギーを予測するためのグラフ畳み込みニューラルネットワーク(GCNN)ベースのMLモデルの入力として機能する。
  論文  参考訳（メタデータ） (2024-11-20T19:22:40Z)
• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)
• CrysAtom: Distributed Representation of Atoms for Crystal Property Prediction [0.0]
  物質科学の文献では、結晶性物質がトポロジカルな構造を示すことはよく知られている。 本稿では,原子の密度ベクトル表現を生成するために,無相関結晶データを用いた教師なしフレームワーク,CrysAtomを提案する。
  論文  参考訳（メタデータ） (2024-09-07T06:58:55Z)
• KPG: Key Propagation Graph Generator for Rumor Detection based on Reinforcement Learning [10.35938375751164]
  Key Propagation Graph Generator (KPG)は、強化学習に基づく噂検出フレームワークである。 KPGは、トポロジ情報が不十分な事象に対して、コヒーレントかつ情報伝達パターンを生成する。 また、冗長でノイズの多い伝搬構造を持つ事象の指示的部分構造も特定する。
  論文  参考訳（メタデータ） (2024-05-21T13:13:43Z)
• UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
  本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。 グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
  論文  参考訳（メタデータ） (2024-03-25T03:23:03Z)
• HomoGCL: Rethinking Homophily in Graph Contrastive Learning [64.85392028383164]
  HomoGCL はモデルに依存しないフレームワークで、近隣のノードに固有の意味を持つ正の集合を拡大する。 我々は、HomoGCLが6つの公開データセットにまたがって複数の最先端結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-06-16T04:06:52Z)
• 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)
• DR-Label: Improving GNN Models for Catalysis Systems by Label Deconstruction and Reconstruction [72.20024514713633]
  本稿では,新しいグラフニューラルネットワーク(GNN)と予測戦略DR-Labelを提案する。 この戦略は、監視信号を強化し、エッジ表現における解の多重度を低減し、ノード予測を堅牢にすることを促す。 DR-Labelは3つの根本的に異なるモデルに適用され、それぞれが一貫した性能向上を示した。
  論文  参考訳（メタデータ） (2023-03-06T04:01:28Z)

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。