論文の概要: OrbitAll: A Unified Quantum Mechanical Representation Deep Learning Framework for All Molecular Systems

• arxiv url: http://arxiv.org/abs/2507.03853v1
• Date: Sat, 05 Jul 2025 01:21:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.904145
• Title: OrbitAll: A Unified Quantum Mechanical Representation Deep Learning Framework for All Molecular Systems
• Title（参考訳）: OrbitAll: すべての分子システムのための統一量子力学的表現深層学習フレームワーク
• Authors: Beom Seok Kang, Vignesh C. Bhethanabotla, Amin Tavakoli, Maurice D. Hanisch, William A. Goddard III, Anima Anandkumar,
• Abstract要約: OrbitAllは、幾何学および物理インフォームドディープラーニングフレームワークである。 任意の電荷、スピン、環境効果を持つ任意の分子系を表現し、処理することができる。 競合するAIモデルよりも10倍少ないトレーニングデータを使用して、化学精度を達成し、密度汎関数理論と比較して約103$ - 104$のスピードアップを実現している。
• 参考スコア（独自算出の注目度）: 64.69217059173184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the success of deep learning methods in quantum chemistry, their representational capacity is most often confined to neutral, closed-shell molecules. However, real-world chemical systems often exhibit complex characteristics, including varying charges, spins, and environments. We introduce OrbitAll, a geometry- and physics-informed deep learning framework that can represent all molecular systems with electronic structure information. OrbitAll utilizes spin-polarized orbital features from the underlying quantum mechanical method, and combines it with graph neural networks satisfying SE(3)-equivariance. The resulting framework can represent and process any molecular system with arbitrary charges, spins, and environmental effects. OrbitAll demonstrates superior performance and generalization on predicting charged, open-shell, and solvated molecules, while also robustly extrapolating to molecules significantly larger than the training data by leveraging a physics-informed architecture. OrbitAll achieves chemical accuracy using 10 times fewer training data than competing AI models, with a speedup of approximately $10^3$ - $10^4$ compared to density functional theory.
• Abstract（参考訳）: 量子化学における深層学習法の成功にもかかわらず、その表現能力は中性で閉殻分子に限られることが多い。 しかし、現実世界の化学系はしばしば様々な電荷、スピン、環境を含む複雑な特性を示す。 電子構造情報で全ての分子系を表現できる幾何および物理インフォームドディープラーニングフレームワークOrbitAllを紹介する。 OrbitAllは、基礎となる量子力学的手法からスピン偏極軌道特性を利用し、SE(3)-等分散を満たすグラフニューラルネットワークと組み合わせている。 結果として生じるフレームワークは任意の電荷、スピン、環境効果を持つ任意の分子系を表現し、処理することができる。 OrbitAllは、荷電、開殻、溶存分子の予測において優れた性能と一般化を示し、物理インフォームドアーキテクチャを活用して、トレーニングデータよりもはるかに大きい分子に頑強に外挿する。 OrbitAllは、競合するAIモデルよりも10倍少ないトレーニングデータを使用して化学精度を達成し、密度汎関数理論と比較して約10^3$ -10^4$のスピードアップを実現している。

関連論文リスト

• A comprehensive framework to simulate real-time chemical dynamics on a fault-tolerant quantum computer [0.0]
  本稿では,量子コンピュータ上での化学系のリアルタイムダイナミクスをシミュレーション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。 擬似イオンを用いる第1量子化平面波アルゴリズムは、化学的に不活性な電子と核を単一のイオン性物質に集約する。 本稿では, 故障耐性量子コンピュータ上で, 化学的に興味深い複数のシステムに対して, アルゴリズムの実行コストを広範囲に解析する。
  論文  参考訳（メタデータ） (2025-04-08T18:00:11Z)
• Data Efficient Prediction of excited-state properties using Quantum Neural Networks [4.7436936193373604]
  分子基底状態から励起状態特性を予測する量子機械学習モデルを提案する。 このモデルは、対称性不変の量子ニューラルネットワークと、従来のニューラルネットワークとから構成される。 わずかなトレーニングデータポイントだけで正確な予測を提供することができる。
  論文  参考訳（メタデータ） (2024-12-12T16:30:23Z)
• E3STO: Orbital Inspired SE(3)-Equivariant Molecular Representation for Electron Density Prediction [0.0]
  Slater-Type Orbitals (STO) からインスピレーションを得た新しいSE(3)-equivariantアーキテクチャを提案する。 我々のアプローチは、学習された軌道のような分子表現に代替的な機能形式を提供する。 分子電子密度のSOTA予測精度を他の分子動力学データよりも30～70%向上させることにより,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-10-08T15:20:33Z)
• Long-lived entanglement of molecules in magic-wavelength optical tweezers [41.94295877935867]
  電子レンジ駆動型エンタングリングゲートの2分子間の最初の実現について述べる。 この魔法の波長トラップは、0.5秒以上の測定可能な減衰を伴わず、絡み合いを保っていることを示す。 複雑な分子系への精密な量子制御の拡張により、量子科学の多くの領域にまたがる追加の自由度が利用できるようになる。
  論文  参考訳（メタデータ） (2024-08-27T09:28:56Z)
• $\nabla^2$DFT: A Universal Quantum Chemistry Dataset of Drug-Like Molecules and a Benchmark for Neural Network Potentials [35.949502493236146]
  この研究は、nablaDFTをベースにした$nabla2$DFTと呼ばれる新しいデータセットとベンチマークを提示している。 分子構造の2倍、コンフォーメーションの3倍、新しいデータタイプとタスク、最先端のモデルを含んでいる。 $nabla2$DFTは、大量の薬物様分子の緩和軌道を含む最初のデータセットである。
  論文  参考訳（メタデータ） (2024-06-20T14:14:59Z)
• Machine-learned molecular mechanics force field for the simulation of protein-ligand systems and beyond [33.54862439531144]
  生体分子シミュレーションとコンピュータ支援薬物設計には, 信頼性および分子力学(MM)力場の開発が不可欠である。 本稿では、一般化された機械学習型MM力場、ttexttespaloma-0.3、およびグラフニューラルネットワークを用いたエンドツーエンドの微分可能なフレームワークを紹介する。 力場は、小さな分子、ペプチド、核酸を含む薬物発見に非常に関係した化学ドメインの量子化学エネルギー特性を再現する。
  論文  参考訳（メタデータ） (2023-07-13T23:00:22Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Multi-task learning for electronic structure to predict and explore molecular potential energy surfaces [39.228041052681526]
  我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。 このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。 ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
  論文  参考訳（メタデータ） (2020-11-05T06:48:46Z)
• 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)

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。