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

• arxiv url: http://arxiv.org/abs/2501.06159v2
• Date: Fri, 19 Sep 2025 18:42:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 14:36:44.681165
• 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: 有機反応の遷移状態探索を高速化するグラフニューラルネットワーク(GNN)PESを開発した。 我々のモデルは100%の成功率を達成し、すべてのケースにおいて基準TSを配置する。 ファインチューニングは、アウト・オブ・ディストリビューションケースの桁違いのGNN-FT誤差を低減する。
• 参考スコア（独自算出の注目度）: 0.10742675209112619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transition state (TS) searches are a critical bottleneck in computational studies of chemical reactivity, as accurately capturing complex phenomena like bond breaking and formation events requires repeated evaluations of expensive ab-initio potential energy surfaces (PESs). While numerous algorithms have been developed to locate TSs efficiently, the computational cost of PES evaluations remains a key limitation. In this work, we develop and fine-tune a graph neural network (GNN) PES to accelerate TS searches for organic reactions. Our GNN of choice, SchNet, is first pre-trained on the ANI-1 dataset and subsequently fine-tuned on a small dataset of reactant, product, and TS structures. We integrate this GNN PES into the Freezing String Method (FSM), enabling rapid generation of TS guess geometries. Across a benchmark suite of chemically diverse reactions, our fine-tuned model (GNN-FT) achieves a 100% success rate, locating the reference TSs in all cases while reducing the number of ab-initio calculations by 72% on average compared to conventional DFT-based FSM searches. Fine-tuning reduces GNN-FT errors by orders of magnitude for out-of-distribution cases such as non-covalent interactions, and improves TS-region predictions with comparatively little data. Analysis of transition state geometries and energy errors shows that GNN-FT captures PES along the reaction coordinate with sufficient accuracy to serve as a reliable DFT surrogate. These results demonstrate that modern GNN potentials, when properly trained, can significantly reduce the cost of TS searches and broaden the scope and size of systems considered in chemical reactivity studies.
• Abstract（参考訳）: 遷移状態 (TS) 探索は化学反応性の計算研究において重要なボトルネックであり、結合破壊や形成現象などの複雑な現象を正確に捉えるには、高価なアブ初期ポテンシャルエネルギー表面 (PES) の繰り返し評価が必要である。 TSを効率的に見つけるために多くのアルゴリズムが開発されているが、PES評価の計算コストは依然として重要な限界である。 本研究では,有機反応のTS探索を高速化するグラフニューラルネットワーク(GNN)PESを開発した。 我々の選択したGNNであるSchNetは、まずANI-1データセットで事前トレーニングされ、その後、反応物、製品、TS構造の小さなデータセットで微調整されます。 我々は,この GNN PES を Freezing String Method (FSM) に統合し,TS 推定測地を高速に生成する。 化学的な多種多様な反応のベンチマークスイート全体にわたって、我々の微調整モデル(GNN-FT)は100%の成功率を達成し、従来のDFTベースのFSM検索と比較して平均72%のab-initio計算数を削減した。 ファインチューニングは、非共有相互作用のような分配外ケースの桁差によるGNN-FT誤差を低減し、比較的少ないデータでTS領域予測を改善する。 遷移状態のジオメトリーとエネルギー誤差の分析により、GNN-FTは、信頼できるDFTサロゲートとして機能するために十分な精度で、反応座標に沿ってPSSを捕捉することを示した。 これらの結果は,現代のGNNポテンシャルが適切に訓練されると,TS探索のコストを大幅に削減し,化学反応性研究において考慮されたシステムの範囲とサイズを拡大できることを示した。

関連論文リスト

• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• Thermodynamic Bound on Energy and Negentropy Costs of Inference in Deep Neural Networks [0.0]
  深部ニューラルネットワーク(DNN)における推論のエネルギーコストに対する基本熱力学境界の導出 DNNにおける線形演算は、原理的には可逆的に行うことができるが、非線形活性化関数は避けられないエネルギーコストを課す。
  論文  参考訳（メタデータ） (2025-03-13T02:35:07Z)
• 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)
• 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。