論文の概要: Known Unknowns: Out-of-Distribution Property Prediction in Materials and Molecules
- arxiv url: http://arxiv.org/abs/2502.05970v1
- Date: Sun, 09 Feb 2025 17:37:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 14:29:14.255706
- Title: Known Unknowns: Out-of-Distribution Property Prediction in Materials and Molecules
- Title(参考訳): 未知:物質・分子の分布外特性予測
- Authors: Nofit Segal, Aviv Netanyahu, Kevin P. Greenman, Pulkit Agrawal, Rafael Gomez-Bombarelli,
- Abstract要約: 高性能材料や分子の発見には、既知の分布外にある性質値を持つ極端を同定する必要がある。
我々の目標は、ゼロショットをトレーニングデータよりも高い範囲に外挿する予測モデルを訓練することである。
我々は,OOD特性予測へのトランスダクティブアプローチを用いて,予測精度の向上を実現することを提案する。
- 参考スコア(独自算出の注目度): 19.071396780849344
- License:
- Abstract: Discovery of high-performance materials and molecules requires identifying extremes with property values that fall outside the known distribution. Therefore, the ability to extrapolate to out-of-distribution (OOD) property values is critical for both solid-state materials and molecular design. Our objective is to train predictor models that extrapolate zero-shot to higher ranges than in the training data, given the chemical compositions of solids or molecular graphs and their property values. We propose using a transductive approach to OOD property prediction, achieving improvements in prediction accuracy. In particular, the True Positive Rate (TPR) of OOD classification of materials and molecules improved by 3x and 2.5x, respectively, and precision improved by 2x and 1.5x compared to non-transductive baselines. Our method leverages analogical input-target relations in the training and test sets, enabling generalization beyond the training target support, and can be applied to any other material and molecular tasks.
- Abstract(参考訳): 高性能材料や分子の発見には、既知の分布外にある性質値を持つ極端を同定する必要がある。
したがって、固体材料と分子設計の両方において、OOD(out-of-distriion)特性値に外挿する能力は重要である。
我々の目的は、固体や分子グラフの化学組成とその特性値から、ゼロショットをトレーニングデータよりも高い範囲に外挿する予測モデルを訓練することである。
我々は,OOD特性予測へのトランスダクティブアプローチを用いて,予測精度の向上を実現することを提案する。
特にOOD分類の正の正の速度(TPR)は3倍,2.5倍,精度は2倍,1.5倍であった。
本手法は, 学習対象とテストセットの類似的な入力-ターゲット関係を利用して, 学習対象支援を超越した一般化を実現し, 他の材料や分子タスクにも適用可能である。
関連論文リスト
- Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳(メタデータ) (2024-11-11T09:01:36Z) - 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) - Impact of Domain Knowledge and Multi-Modality on Intelligent Molecular Property Prediction: A Systematic Survey [22.73437302209673]
様々なベンチマークに基づいて,近年のディープラーニング手法を検証,定量的に分析する。
分子情報の統合は、回帰処理と分類処理の両方において分子特性予測(MPP)を大幅に改善する。
また、1D SMILESによる2Dグラフの強化により、回帰タスクのマルチモーダル学習性能が最大9.1%向上し、3D情報による2Dグラフの増大により、分類タスクのパフォーマンスが最大13.2%向上することを発見した。
論文 参考訳(メタデータ) (2024-02-11T17:29:58Z) - Classifier-free graph diffusion for molecular property targeting [14.488714063757278]
この研究は、プロパティターゲティング、すなわち、ターゲットの化学的性質に条件付けられた分子を生成するタスクに焦点を当てている。
本稿では,条件情報を直接学習プロセスに注入して動作する分類器フリーなDiGress(FreeGress)を提案する。
提案手法は,DieGressのプロパティターゲティングタスクに対して,平均絶対誤差を最大79%改善することを示す。
論文 参考訳(メタデータ) (2023-12-28T23:34:38Z) - Towards out-of-distribution generalizable predictions of chemical
kinetics properties [61.15970601264632]
Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。
本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。
我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
論文 参考訳(メタデータ) (2023-10-04T20:36:41Z) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳(メタデータ) (2023-05-22T00:56:00Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳(メタデータ) (2022-06-06T06:17:11Z) - Property-aware Adaptive Relation Networks for Molecular Property
Prediction [34.13439007658925]
分子特性予測問題に対する特性認識適応関係ネットワーク(PAR)を提案する。
我々のPARは、既存のグラフベースの分子エンコーダと互換性があり、プロパティ対応分子埋め込みとモデル分子関係グラフを得る能力も備えている。
論文 参考訳(メタデータ) (2021-07-16T16:22:30Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - Stochastic Threshold Model Trees: A Tree-Based Ensemble Method for
Dealing with Extrapolation [0.0]
新規材料の開発においては, 前例のない物性を持つ化合物を探索することが望ましい。
本稿では,従来の手法の精度を維持しつつ,データの傾向を反映した開発閾値モデルツリー(STMT)を提案する。
実データの場合、精度が大幅に向上することはないが、予測精度が顕著に向上する化合物が1つ存在する。
論文 参考訳(メタデータ) (2020-09-19T05:48:01Z)
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。