論文の概要: Efficient Transition State Searches by Freezing String Method with Graph Neural Network Potentials

• arxiv url: http://arxiv.org/abs/2501.06159v1
• Date: Fri, 10 Jan 2025 18:32:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:26:18.483913
• Title: Efficient Transition State Searches by Freezing String Method with Graph Neural Network Potentials
• Title（参考訳）: グラフニューラルネット電位を用いた文字列解凍法による効率的な遷移状態探索
• Authors: Jonah Marks, Joseph Gomes,
• Abstract要約: 我々は有機化学反応を記述するのに適したグラフニューラルネットワークポテンシャルエネルギー関数を開発し、微調整する。 推定構造を精査し,各試験系における遷移状態の同定に成功し,平均ab-initio計算数を47%削減した。
• 参考スコア（独自算出の注目度）: 0.34530027457862006
• License:
• Abstract: Transition states are a critical bottleneck in chemical transformations. Significant efforts have been made to develop algorithms that efficiently locate transition states on potential energy surfaces. However, the computational cost of ab-initio potential energy surface evaluation limits the size of chemical systems that can routinely studied. In this work, we develop and fine-tune a graph neural network potential energy function suitable for describing organic chemical reactions and use it to rapidly identify transition state guess structures. We successfully refine guess structures and locate a transition state in each test system considered and reduce the average number of ab-initio calculations by 47% though use of the graph neural network potential energy function. Our results show that modern machine learning models have reached levels of reliability whereby they can be used to accelerate routine computational chemistry tasks.
• Abstract（参考訳）: 遷移状態は化学変換において重要なボトルネックである。 潜在的なエネルギー表面の遷移状態を効率的に見つけるアルゴリズムを開発するための重要な努力がなされている。 しかしながら、ab-initioポテンシャル表面評価の計算コストは、日常的に研究できる化学系のサイズを制限する。 本研究では,有機化学反応を記述するのに適したグラフニューラルネットワークポテンシャルエネルギー関数を開発し,それを用いて遷移状態推定構造を高速に同定する。 我々は,グラフニューラルネットワークのポテンシャルエネルギー関数を用いながら,推定構造を洗練し,各試験系における遷移状態の同定に成功し,平均ab-initio計算数を47%削減した。 この結果から,現代の機械学習モデルは信頼性のレベルに達し,定期的な計算化学タスクの高速化に有効であることが示唆された。

関連論文リスト

• Neural Network Emulator for Atmospheric Chemical ODE [6.84242299603086]
  高速な化学濃度モデリングのためのニューラルネットワークエミュレータを提案する。 初期状態と今後の時間進化の間の隠れた相関関係を抽出するために,ChemNNEを提案する。 提案手法は,モデリング精度と計算速度において最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-08-03T17:43:10Z)
• Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
  神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。 近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。 この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
  論文  参考訳（メタデータ） (2024-05-23T16:30:51Z)
• Accurate Computation of Quantum Excited States with Neural Networks [4.99320937849508]
  量子系の最低励起状態を推定するための変分モンテカルロアルゴリズムを提案する。 本手法はベンゼンスケール分子の正確な垂直励起エネルギーを得るための最初の深層学習手法である。 我々はこの技術が原子、核、凝縮物質物理学への応用に大きな関心を寄せることを期待している。
  論文  参考訳（メタデータ） (2023-08-31T16:27:08Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• Energy Transformer [64.22957136952725]
  我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。 本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-14T18:51:22Z)
• Learning Graph Search Heuristics [48.83557172525969]
  本稿では,新しいニューラルネットワークと学習アルゴリズムであるPHIL(Path Heuristic with Imitation Learning)について述べる。 我々の関数は、ノード距離の推測に有用なグラフ埋め込みを学習し、グラフサイズに依存しない一定時間で実行し、テスト時にA*のようなアルゴリズムに容易に組み込むことができる。 実験の結果、PHILはベンチマークデータセットの最先端の手法と比較して平均58.5%の探索ノード数を削減している。
  論文  参考訳（メタデータ） (2022-12-07T22:28:00Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Learned Force Fields Are Ready For Ground State Catalyst Discovery [60.41853574951094]
  学習密度汎関数理論(DFT'')力場が基底触媒発見の準備ができていることを示す。 鍵となる発見は、学習されたポテンシャルからの力による緩和は、評価されたシステムの50%以上においてRPBE関数を用いて緩和された構造と似た、または低いエネルギーを持つ構造をもたらすことである。 対象のDFTエネルギーと同じ最小値の局所調和エネルギー表面上で訓練された力場は、50%以上のケースで低又は類似のエネルギー構造を見出すことができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T07:16:43Z)
• Quantum activation functions for quantum neural networks [0.0]
  情報を符号化する状態を測定することなく、必要な精度で解析関数を近似する方法を示す。 この結果は,ゲートモデル量子コンピュータのアーキテクチャにおける人工ニューラルネットワークの科学を再放送するものである。
  論文  参考訳（メタデータ） (2022-01-10T23:55:49Z)
• 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)
• Does the brain function as a quantum phase computer using phase ternary computation? [0.0]
  神経伝達の基本的な基礎は、計算可能な圧力パルス/ソリトンから導かれることを示す。 ケーブル理論に基づく現代の神経伝導理論は,計算時間を短くする上で不適切であることを示す。 脳神経ネットワークの分解は、チューリングマシンが最も単純な量子相コンピュータのグループのメンバーであることを示唆している。
  論文  参考訳（メタデータ） (2020-12-04T08:00:23Z)

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。