論文の概要: Transferable Learning of Reaction Pathways from Geometric Priors

• arxiv url: http://arxiv.org/abs/2504.15370v1
• Date: Mon, 21 Apr 2025 18:20:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-01 01:50:46.599793
• Title: Transferable Learning of Reaction Pathways from Geometric Priors
• Title（参考訳）: 幾何学的先行点からの反応経路の伝達可能な学習
• Authors: Juno Nam, Miguel Steiner, Max Misterka, Soojung Yang, Avni Singhal, Rafael Gómez-Bombarelli,
• Abstract要約: MEPINは、反応物や製品からMEPを効率的に予測するスケーラブルな機械学習手法である。 本手法は,反応経路の効率的なデータ駆動予測による大規模化学反応空間の探索を可能にする。
• 参考スコア（独自算出の注目度）: 1.3170830344441016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying minimum-energy paths (MEPs) is crucial for understanding chemical reaction mechanisms but remains computationally demanding. We introduce MEPIN, a scalable machine-learning method for efficiently predicting MEPs from reactant and product configurations, without relying on transition-state geometries or pre-optimized reaction paths during training. The task is defined as predicting deviations from geometric interpolations along reaction coordinates. We address this task with a continuous reaction path model based on a symmetry-broken equivariant neural network that generates a flexible number of intermediate structures. The model is trained using an energy-based objective, with efficiency enhanced by incorporating geometric priors from geodesic interpolation as initial interpolations or pre-training objectives. Our approach generalizes across diverse chemical reactions and achieves accurate alignment with reference intrinsic reaction coordinates, as demonstrated on various small molecule reactions and [3+2] cycloadditions. Our method enables the exploration of large chemical reaction spaces with efficient, data-driven predictions of reaction pathways.
• Abstract（参考訳）: 最小エネルギー経路(MEP)の同定は化学反応機構を理解する上で重要であるが、計算的に要求される。 そこで我々は,MEPINを提案する。MEPINは,過渡状態のジオメトリや事前最適化された反応経路に頼ることなく,反応状態や製品構成からMEPを効率的に予測するためのスケーラブルな機械学習手法である。 このタスクは、反応座標に沿った幾何学的補間から逸脱を予測するものとして定義される。 本課題は, フレキシブルな中間構造を生成する対称性破壊同変ニューラルネットワークに基づく連続的反応経路モデルを用いて解決する。 このモデルはエネルギーベースの目的を用いて訓練され、ジオデシック補間から幾何的先行を初期補間や事前学習目的として組み込むことで効率を向上する。 本手法は, 種々の化学反応を一般化し, 各種小分子反応および[3+2]環付加反応で示されるように, 基準内在的反応座標との正確な一致を実現する。 本手法は,反応経路の効率的なデータ駆動予測による大規模化学反応空間の探索を可能にする。

関連論文リスト

• Electron flow matching for generative reaction mechanism prediction obeying conservation laws [8.136277960071032]
  この研究は、現代のフローマッチングの深層生成フレームワークを用いて、電子再分配の問題として反応予測の問題を再考する。 我々のモデルであるFlowERは、正確な質量保存を強制することで制限を克服し、幻覚障害モードを解消する。 FlowERはまた、熱力学または動力学的実現可能性の推定を可能にし、反応予測タスクにおける化学直観の程度を示す。
  論文  参考訳（メタデータ） (2025-02-18T16:01:17Z)
• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  RAlignは、様々な有機反応関連タスクのための新しい化学反応表現学習モデルである。 反応物質と生成物との原子対応を統合することにより、反応中に起こる分子変換を識別する。 モデルが重要な機能群に集中できるように,反応中心認識型アテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• ReactAIvate: A Deep Learning Approach to Predicting Reaction Mechanisms and Unmasking Reactivity Hotspots [4.362338454684645]
  我々は,反応ステップ分類の精度を96%とほぼ均一に達成した,解釈可能な注意に基づくGNNを開発した。 我々のモデルは、配布外クラスからでも、キー原子を十分に識別します。 この一般性は、モジュラーな方法で新しい反応型を包含することができるため、新しい分子の反応性を理解するための専門家にとって価値がある。
  論文  参考訳（メタデータ） (2024-07-14T05:53:18Z)
• Generative Model for Constructing Reaction Path from Initial to Final States [0.47477099173857373]
  本稿では,ニューラルネットワークを用いた反応経路の初期推定手法を提案する。 提案手法は、初期状態の座標を入力し、その後、その構造を進行的に変化させることによって開始される。 この幾何学的手法の応用は、有機反応によって示される複雑な反応経路にまで及ぶ。
  論文  参考訳（メタデータ） (2024-01-19T14:32:50Z)
• Multi-level Protocol for Mechanistic Reaction Studies Using Semi-local Fitted Potential Energy Surfaces [0.0]
  本稿では化学反応機構の定期的な理論的研究のためのマルチスケールプロトコルを提案する。 この手法の性能の重要な側面は、そのマルチスケールな性質であり、これは計算労力を節約するだけでなく、意味のある情報を抽出することを可能にする。
  論文  参考訳（メタデータ） (2023-04-03T12:55:29Z)
• Differentiable Programming of Chemical Reaction Networks [63.948465205530916]
  化学反応ネットワークは、自然によって使用される最も基本的な計算基板の1つである。 膜によって分離された複数のチャンバーを持つシステムと同様に、よく混合されたシングルチャンバーシステムについて検討した。 我々は、微分可能な最適化と適切な正規化が相まって、非自明なスパース反応ネットワークを発見することを実証した。
  論文  参考訳（メタデータ） (2023-02-06T11:41:14Z)
• Local manifold learning and its link to domain-based physics knowledge [53.15471241298841]
  多くの反応系では、熱化学状態空間は低次元多様体(LDM)に近く進化すると仮定される。 局所的データクラスタ(ローカルPCA)に適用されたPCAは,熱化学状態空間の固有パラメータ化を検出することができることを示す。
  論文  参考訳（メタデータ） (2022-07-01T09:06:25Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• Self-Improved Retrosynthetic Planning [66.5397931294144]
  再合成計画(Retrosynthetic Planning)は、標的分子を合成する反応の経路を見つけるための化学の基本的な問題である。 最近の検索アルゴリズムは、ディープニューラルネットワーク(DNN)を用いてこの問題を解決するための有望な結果を示している。 そこで本研究では,DNNを直接訓練し,望ましい特性を持つ反応経路を生成するためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-09T08:03:57Z)
• Kinetics-Informed Neural Networks [0.0]
  我々は、通常の微分方程式を解くために、サロゲートモデルを構築するための基礎関数としてフィードフォワード人工ニューラルネットワークを用いる。 正規化多目的最適化設定におけるニューラルネットと運動モデルパラメータの同時学習により,逆問題の解が導かれることを示す。 この逆運動的ODEに対する代理的アプローチは、過渡的なデータに基づく反応機構の解明に役立てることができる。
  論文  参考訳（メタデータ） (2020-11-30T00:07:09Z)
• 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。