論文の概要: GRAPPA - A Hybrid Graph Neural Network for Predicting Pure Component Vapor Pressures

• arxiv url: http://arxiv.org/abs/2501.08729v1
• Date: Wed, 15 Jan 2025 11:11:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:51:29.315781
• Title: GRAPPA - A Hybrid Graph Neural Network for Predicting Pure Component Vapor Pressures
• Title（参考訳）: GRAPPA - 純成分蒸気圧予測のためのハイブリッドグラフニューラルネットワーク
• Authors: Marco Hoffmann, Hans Hasse, Fabian Jirasek,
• Abstract要約: 我々は,純粋な成分の蒸気圧を予測するハイブリッドグラフニューラルネットワークGRAPPAを開発した。 モデルは、メッセージパッシングステップ用のグラフアテンションネットワーク、長距離インタラクションをキャプチャするプール機能、予測ヘッドの3つの部分から構成される。 約25,000個の純成分の蒸気圧データを用いてGRAPPAを訓練・評価した。
• 参考スコア（独自算出の注目度）: 1.0543916132190874
• License:
• Abstract: Although the pure component vapor pressure is one of the most important properties for designing chemical processes, no broadly applicable, sufficiently accurate, and open-source prediction method has been available. To overcome this, we have developed GRAPPA - a hybrid graph neural network for predicting vapor pressures of pure components. GRAPPA enables the prediction of the vapor pressure curve of basically any organic molecule, requiring only the molecular structure as input. The new model consists of three parts: A graph attention network for the message passing step, a pooling function that captures long-range interactions, and a prediction head that yields the component-specific parameters of the Antoine equation, from which the vapor pressure can readily and consistently be calculated for any temperature. We have trained and evaluated GRAPPA on experimental vapor pressure data of almost 25,000 pure components. We found excellent prediction accuracy for unseen components, outperforming state-of-the-art group contribution methods and other machine learning approaches in applicability and accuracy. The trained model and its code are fully disclosed, and GRAPPA is directly applicable via the interactive website ml-prop.mv.rptu.de.
• Abstract（参考訳）: 純粋な成分蒸気圧は、化学プロセスの設計において最も重要な特性の1つであるが、広く適用されず、十分に正確で、オープンソースの予測法が利用可能である。 そこで我々は,純粋な成分の蒸気圧を予測するハイブリッドグラフニューラルネットワークGRAPPAを開発した。 GRAPPAは基本的にあらゆる有機分子の蒸気圧曲線の予測を可能にし、入力として分子構造のみを必要とする。 メッセージパッシングステップ用のグラフアテンションネットワーク、長距離相互作用をキャプチャするプール機能、アントワーヌ方程式の成分特異的パラメータを出力する予測ヘッドの3つで構成されており、そこから蒸気圧を任意の温度で容易に、一貫して計算することができる。 約25,000個の純成分の蒸気圧データを用いてGRAPPAを訓練・評価した。 その結果,未確認コンポーネントの予測精度,最先端グループコントリビューション手法,その他の機械学習手法の応用性や精度に優れていた。 トレーニングされたモデルとそのコードは、完全に公開されており、GRAPPAは、対話型Webサイトml-prop.mv.rptu.deを介して直接適用される。

関連論文リスト

• OWPCP: A Deep Learning Model to Predict Octanol-Water Partition Coefficient [0.0]
  本稿では,Morgan の指紋とMACCS キーを入力として,logP を計算するためのディープラーニングモデル OWPCP を提案する。 26,254化合物から抽出したlogP値とこのような分子表現の相互結合を用いる。 その結果,OWPCPはlogPの信頼性の高い予測を提供することがわかった。
  論文  参考訳（メタデータ） (2024-10-10T08:14:31Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• PUFFIN: A Path-Unifying Feed-Forward Interfaced Network for Vapor Pressure Prediction [0.0]
  蒸気圧の正確な予測は、様々な産業や環境用途に不可欠である。 ドメイン知識にインスパイアされた新しい帰納バイアスノードとトランスファーラーニングを組み合わせた機械学習フレームワークPUFFINを提案する。
  論文  参考訳（メタデータ） (2023-07-06T10:29:03Z)
• Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
  新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。 提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
  論文  参考訳（メタデータ） (2023-06-13T14:43:13Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Non-Autoregressive Electron Redistribution Modeling for Reaction Prediction [26.007965383304864]
  反応を1ショットで予測する非自己回帰学習パラダイムを考案する。 任意の電子フローとして反応を定式化し、新しいマルチポインター復号ネットワークで予測する。 USPTO-MITデータセットの実験により、我々の手法は最先端のトップ1の精度を確立した。
  論文  参考訳（メタデータ） (2021-06-08T16:39:08Z)
• High throughput screening with machine learning [18.152525914196993]
  本研究では,分子結合親和性の予測における機械学習手法の有効性を評価する。 モデルは、タンパク質と小さな有機分子のペアのための阻害定数$K_i$の点で結合親和性を予測するように訓練された。
  論文  参考訳（メタデータ） (2020-12-15T13:19:03Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• On-the-fly Prediction of Protein Hydration Densities and Free Energies using Deep Learning [0.0]
  我々は,水和サイトデータを予測するためのディープニューラルネットワークモデルを開発した。 タンパク質相互作用場は、水和占有の対応する3D画像にマッピングされる。 直接のタンパク質相互作用場に加えて、各格子点の環境は、近傍格子点の相互作用特性の球面高調波展開のモーメントを用いて表現された。
  論文  参考訳（メタデータ） (2020-01-07T18:06:30Z)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。 本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

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。