論文の概要: polyGen: A Learning Framework for Atomic-level Polymer Structure Generation
- arxiv url: http://arxiv.org/abs/2504.17656v3
- Date: Wed, 11 Jun 2025 01:33:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-12 16:13:47.991594
- Title: polyGen: A Learning Framework for Atomic-level Polymer Structure Generation
- Title（参考訳）: PolyGen: 原子レベル高分子構造生成のための学習フレームワーク
- Authors: Ayush Jain, Rampi Ramprasad,
- Abstract要約: 繰り返し単位化学のような最小の入力から高分子構造に特異的に設計された最初の生成モデルであるpolyGenを紹介する。
ポリゲンは、高分子の伝統的な結晶構造予測法の限界を克服し、現実的で多様な線形および分岐配座を生成することに成功した。
天然高分子の弾力性を示す最初の原子レベルの実証実験として、物質構造生成の新たな能力を示す。
- 参考スコア（独自算出の注目度）: 4.6516580885528835
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Synthetic polymeric materials underpin fundamental technologies in the energy, electronics, consumer goods, and medical sectors, yet their development still suffers from prolonged design timelines. Although polymer informatics tools have supported speedup, polymer simulation protocols continue to face significant challenges in the on-demand generation of realistic 3D atomic structures that respect conformational diversity. Generative algorithms for 3D structures of inorganic crystals, bio-polymers, and small molecules exist, but have not addressed synthetic polymers because of challenges in representation and dataset constraints. In this work, we introduce polyGen, the first generative model designed specifically for polymer structures from minimal inputs such as the repeat unit chemistry alone. polyGen combines graph-based encodings with a latent diffusion transformer using positional biased attention for realistic conformation generation. Given the limited dataset of 3,855 DFT-optimized polymer structures, we incorporate joint training with small molecule data to enhance generation quality. We also establish structure matching criteria to benchmark our approach on this novel problem. polyGen overcomes the limitations of traditional crystal structure prediction methods for polymers, successfully generating realistic and diverse linear and branched conformations, with promising performance even on challenging large repeat units. As the first atomic-level proof-of-concept capturing intrinsic polymer flexibility, it marks a new capability in material structure generation.
- Abstract（参考訳）: 合成高分子材料は、エネルギー、エレクトロニクス、消費者製品、医療分野の基本的な技術を支えるが、その開発は長い設計スケジュールに悩まされている。
高分子インフォマティクスツールはスピードアップをサポートしてきたが、高分子シミュレーションプロトコルは、コンフォメーションの多様性を尊重する現実的な3D原子構造をオンデマンドで生成する上で、大きな課題に直面し続けている。
無機結晶, 生体高分子, 小分子の3次元構造生成アルゴリズムは存在するが, 表現やデータセットの制約のため, 合成ポリマーには対応していない。
本稿では, 繰り返し単位化学のような最小の入力から高分子構造に特異的に設計された最初の生成モデルであるpolyGenを紹介する。
PolyGenは、グラフベースのエンコーディングと、位置バイアスによる注意をリアルなコンフォーメーション生成に用いる遅延拡散トランスフォーマーを組み合わせる。
3,855 DFT最適化ポリマー構造の限られたデータセットを考慮し, 生成品質を向上させるために, 小分子データとのジョイントトレーニングを取り入れた。
また、この新たな問題に対するアプローチをベンチマークするために、構造整合基準を確立する。
ポリゲンは、高分子の伝統的な結晶構造予測手法の限界を克服し、現実的で多様な線形および分岐配座を生成することに成功した。
天然高分子の弾力性を示す最初の原子レベルの実証実験として、物質構造生成の新たな能力を示す。
関連論文リスト
- PolyConf: Unlocking Polymer Conformation Generation through Hierarchical Generative Models [28.480039088875635]
PolyConfは、高度に調整されたポリマーコンホメーション生成法である。
我々は、ポリマー配座を一連の局所配座に分解し、自己回帰モデルを通してこれらの局所配座を生成する。
次に、拡散モデルを用いて対応する配向変換を生成し、これらの局所配座を完全なポリマー配座に組み立てる。
論文 参考訳（メタデータ） (2025-04-11T07:12:02Z) - Multimodal machine learning with large language embedding model for polymer property prediction [2.525624865489335]
本稿では,高分子特性予測タスクに対して,単純で効果的なマルチモーダルアーキテクチャであるPolyLLMemを提案する。
PolyLLMemは、Llama 3によって生成されたテキスト埋め込みとUni-Mol由来の分子構造埋め込みを統合する。
その性能は、グラフベースのモデルやトランスフォーマーベースのモデルと同等であり、場合によってはそれ以上である。
論文 参考訳（メタデータ） (2025-03-29T03:48:11Z) - GraphXForm: Graph transformer for computer-aided molecular design [73.1842164721868]
既存の化合物を事前訓練したデコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormを提案する。
種々の薬物設計タスクで評価し、最先端の分子設計手法と比較して優れた客観的スコアを示す。
論文 参考訳（メタデータ） (2024-11-03T19:45:15Z) - DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。
DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。
実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
論文 参考訳（メタデータ） (2024-10-17T17:20:24Z) - Inverse Design of Copolymers Including Stoichiometry and Chain Architecture [0.0]
機械学習誘導分子設計は、高分子発見を加速するための有望なアプローチである。
我々は,グラフを符号化し,文字列を復号する新しい変分オートエンコーダアーキテクチャを開発した。
我々のモデルは、コポリマー構造のデノボ生成を可能にする、連続的でよく構成された潜在空間を学習する。
論文 参考訳（メタデータ） (2024-09-30T15:37:39Z) - MMPolymer: A Multimodal Multitask Pretraining Framework for Polymer Property Prediction [24.975491375575224]
MMPolymerはポリマー1Dシーケンシャルおよび3D構造情報を組み込んだ新しいマルチタスク事前学習フレームワークである。
MMPolymerは、下流特性予測タスクにおける最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-06-07T08:19:59Z) - UniIF: Unified Molecule Inverse Folding [67.60267592514381]
全分子の逆折り畳みのための統一モデルUniIFを提案する。
提案手法は,全タスクにおける最先端手法を超越した手法である。
論文 参考訳（メタデータ） (2024-05-29T10:26:16Z) - Compositional Representation of Polymorphic Crystalline Materials [56.80318252233511]
PCRLは,構成の確率論的モデリングを用いて,利用可能な構造情報から多型を抽出する手法である。
16のデータセットに対する広範囲な評価は、構成表現の学習におけるPCRLの有効性を示す。
論文 参考訳（メタデータ） (2023-11-17T20:34:28Z) - An Equivariant Generative Framework for Molecular Graph-Structure
Co-Design [54.92529253182004]
分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。
MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。
分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
論文 参考訳（メタデータ） (2023-04-12T13:34:22Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳（メタデータ） (2022-09-30T01:46:38Z) - A graph representation of molecular ensembles for polymer property
prediction [3.032184156362992]
有機分子とは対照的に、ポリマーはよく定義された単一構造ではなく、類似した分子の集合体である。
本稿では,分子アンサンブルのグラフ表現と,高分子特性予測に適したグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-05-17T20:31:43Z) - Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。
分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
論文 参考訳（メタデータ） (2021-10-26T14:14:40Z)
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。