Fugu-MT 論文翻訳(概要): Augmenting Molecular Graphs with Geometries via Machine Learning Interatomic Potentials

論文の概要: Augmenting Molecular Graphs with Geometries via Machine Learning Interatomic Potentials

arxiv url: http://arxiv.org/abs/2507.00407v1
Date: Tue, 01 Jul 2025 03:49:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-03 14:22:59.261748
Title: Augmenting Molecular Graphs with Geometries via Machine Learning Interatomic Potentials
Title（参考訳）: 原子間ポテンシャルの機械学習による分子グラフのジオメトリによる拡張
Authors: Cong Fu, Yuchao Lin, Zachary Krueger, Haiyang Yu, Maho Nakata, Jianwen Xie, Emine Kucukbenli, Xiaofeng Qian, Shuiwang Ji,
Abstract要約: 正確な分子特性予測には3次元測地が必要であるが、これは一般的に密度汎関数理論(DFT)のような高価な手法を用いて得られる。そこで我々は,機械学習の原子間ポテンシャル(MLIP)モデルのみに頼って分子幾何学の獲得を試みる。 MLIP基礎モデルは、3次元分子構造が与えられたエネルギーと力を予測するために教師付き学習で訓練されている。
参考スコア（独自算出の注目度）: 63.945006006152035
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate molecular property predictions require 3D geometries, which are typically obtained using expensive methods such as density functional theory (DFT). Here, we attempt to obtain molecular geometries by relying solely on machine learning interatomic potential (MLIP) models. To this end, we first curate a large-scale molecular relaxation dataset comprising 3.5 million molecules and 300 million snapshots. Then MLIP foundation models are trained with supervised learning to predict energy and forces given 3D molecular structures. Once trained, we show that the foundation models can be used in different ways to obtain geometries either explicitly or implicitly. First, it can be used to obtain low-energy 3D geometries via geometry optimization, providing relaxed 3D geometries for downstream molecular property predictions. To mitigate potential biases and enhance downstream predictions, we introduce geometry fine-tuning based on the relaxed 3D geometries. Second, the foundation models can be directly fine-tuned for property prediction when ground truth 3D geometries are available. Our results demonstrate that MLIP foundation models trained on relaxation data can provide valuable molecular geometries that benefit property predictions.
Abstract（参考訳）: 正確な分子特性予測には3次元幾何学が必要であり、一般的に密度汎関数理論(DFT)のような高価な手法を用いて得られる。そこで我々は,機械学習の原子間ポテンシャル(MLIP)モデルのみに頼って分子幾何学の獲得を試みる。そこで我々はまず350万の分子と3億のスナップショットからなる大規模分子緩和データセットをキュレートした。次にMLIP基礎モデルは、3次元分子構造が与えられたエネルギーと力を予測するために教師付き学習で訓練される。トレーニングが完了すると、基礎モデルが異なる方法で、明示的にまたは暗黙的にジオメトリを取得することができることを示す。まず、幾何学最適化により低エネルギーの3Dジオメトリを得ることができ、下流の分子特性予測のために緩和された3Dジオメトリを提供する。潜在的なバイアスを緩和し、下流予測を強化するために、緩和された3次元幾何学に基づく幾何学的微調整を導入する。第二に、基礎モデルは、地上の真理3次元測地が利用可能であるときに、直接微調整して特性予測を行うことができる。本研究では, 緩和データに基づくMLIP基礎モデルにより, 特性予測に有効となる貴重な分子測地が得られることを示す。

論文の概要: Augmenting Molecular Graphs with Geometries via Machine Learning Interatomic Potentials

関連論文リスト