論文の概要: Accurate generation of chemical reaction transition states by conditional flow matching
- arxiv url: http://arxiv.org/abs/2507.10530v2
- Date: Wed, 16 Jul 2025 15:55:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-17 12:30:11.774471
- Title: Accurate generation of chemical reaction transition states by conditional flow matching
- Title（参考訳）: 条件流整合による化学反応遷移状態の高精度生成
- Authors: Ping Tuo, Jiale Chen, Ju Li,
- Abstract要約: 本稿では,条件付きフローマッチング生成モデルTS-GENを紹介する。
単純なガウスのサンプルを1つの決定論的パスで直接遷移状態のサドルポイントジオメトリーにマッピングする。
前例のない精度で、根平均平方偏差は0.004 rmmathringA$である。
- 参考スコア（独自算出の注目度）: 0.6872939325656702
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Transition state (TS) structures define the critical geometries and energy barriers underlying chemical reactivity, yet their fleeting nature renders them experimentally elusive and drives the reliance on costly, high-throughput density functional theory (DFT) calculations. Here, we introduce TS-GEN, a conditional flow-matching generative model that maps samples from a simple Gaussian prior directly to transition-state saddle-point geometries in a single, deterministic pass. By embedding both reactant and product conformations as conditioning information, TS-GEN learns to transport latent noise to true TS structures via an optimal-transport path, effectively replacing the iterative optimization common in nudged-elastic band or string-method algorithms. TS-GEN delivers unprecedented accuracy, achieving a root-mean-square deviation of $0.004\ \rm{\mathring{A}}$ (vs. $0.103\ \rm{\mathring{A}}$ for prior state-of-the-art) and a mean barrier-height error of $1.019\ {\rm kcal/mol}$ (vs. $2.864\ {\rm kcal/mol}$), while requiring only $0.06\ {\rm s}$ GPU time per inference. Over 87% of generated TSs meet chemical-accuracy criteria ($<1.58\ {\rm kcal/mol}$ error), substantially outpacing existing methods. TS-GEN also exhibits strong transferability to out-of-distribution reactions from a larger database. By uniting sub-angstrom precision, sub-second speed, and broad applicability, TS-GEN will be highly useful for high-throughput exploration of complex reaction networks, paving the way to the exploration of novel chemical reaction mechanisms.
- Abstract（参考訳）: 遷移状態 (TS) 構造は、化学反応性の基礎となる臨界測地とエネルギー障壁を定義するが、そのフラッキングの性質はそれらを実験的に解明し、高価な高スループット密度汎関数論 (DFT) 計算に依存する。
本稿では,簡単なガウスのサンプルを1つの決定論的パスで遷移状態のサドルポイントジオメトリに直接マッピングする条件付きフローマッチング生成モデルTS-GENを紹介する。
TS-GENは、反応物と積のコンフォメーションの両方を条件情報として埋め込むことで、最適輸送経路を介して、遅延ノイズを真のTS構造へ輸送することを学び、nudged-elastic Bandやstring-methodアルゴリズムで一般的な反復最適化を効果的に置き換える。
TS-GENは前例のない精度を示し、ルート平均平方偏差は$0.004\ \rm{\mathring{A}}$ (vs) となる。
$0.103\ \rm{\mathring{A}}$ for prior state-of-the-art) と平均バリア-ハイト誤差は$1.019\ {\rm kcal/mol}$ (vs) である。
2.864\ {\rm kcal/mol}$だが、推論あたりのGPU時間は0.06\ {\rm s}$である。
生成したTSの87%以上が化学精度基準(<1.58\ {\rm kcal/mol}$エラー)を満たしており、既存の手法を大幅に上回っている。
TS-GENは、より大きなデータベースからの分布外反応に対して強い伝達性を示す。
サブアングストローム精度、サブ秒速度、および広い適用性を組み合わせることで、TS-GENは複雑な反応ネットワークの高スループット探索に非常に有用であり、新しい化学反応機構の探索への道を開く。
関連論文リスト
- Neural network ensemble for computing cross sections for rotational transitions in H$_{2}$O + H$_{2}$O collisions [0.0]
ニューラルネットワーク(NN)のアンサンブルを用いて断面予測を行う機械学習ツールを提案する。
提案手法は、混合量子古典理論(MQCT)を用いて計算されたデータを利用する。
トレーニングには計算データの約10%しか使用せず、NNはH$_2$O + H$_2$O衝突の状態-状態間の回転遷移の断面積を予測する。
論文 参考訳（メタデータ） (2025-07-25T05:59:32Z) - Rapid initial state preparation for the quantum simulation of strongly correlated molecules [4.639143844012453]
Toffoliの複雑性でユニタリ合成を実現する方法を示す。
フィルタリングにはサンプリングとバイナリ検索の2つのアプローチを提案する。
論文 参考訳（メタデータ） (2024-09-18T07:04:32Z) - React-OT: Optimal Transport for Generating Transition State in Chemical Reactions [45.99250641377074]
反応物や生成物から一意な遷移状態構造を生成するための最適な輸送手法であるReact-OTを開発した。
Re React-OTは、0.053AAの中央構造根平均平方偏差(RMSD)と1.06 kcal/molの中央障壁誤差を持つ高度精度の高いTS構造を生成する。
論文 参考訳（メタデータ） (2024-04-20T17:31:45Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - Accurate transition state generation with an object-aware equivariant
elementary reaction diffusion model [9.878043289026731]
遷移状態 (TS) 探索は反応機構の解明と反応ネットワークの探索に重要である。
そこで本研究では, 基本反応における構造の集合を生成するためのすべての物理対称性と制約を満たす, オブジェクト対応SE(3)同変拡散モデルを開発する。
反応物と生成物が与えられたこのモデルは、量子化学に基づく最適化を行うのに必要な時間ではなく、数秒でTS構造を生成する。
論文 参考訳（メタデータ） (2023-04-12T22:21:36Z) - Stochastic Optimal Control for Collective Variable Free Sampling of
Molecular Transition Paths [60.254555533113674]
分子系の2つの準安定状態間の遷移経路をサンプリングする問題を考察する。
本稿では,その遷移をサンプリングする機械学習手法を提案する。
論文 参考訳（メタデータ） (2022-06-27T14:01:06Z) - Machine Learning Product State Distributions from Initial Reactant
States for a Reactive Atom-Diatom Collision System [2.678461526933908]
特定の初期状態から製品状態の分布を予測する機械学習(ML)モデルを示す。
根平均二乗差によって定量化される予測精度は、テストセットおよびオフグリッド状態特定初期条件に対して高い。
STDモデルは非平衡高速流れのシミュレーションに適している。
論文 参考訳（メタデータ） (2021-11-05T15:36:27Z) - A New Framework for Variance-Reduced Hamiltonian Monte Carlo [88.84622104944503]
分散還元型ハミルトン・モンテカルロ法 (HMC) の新たなフレームワークを提案し,$L$-smooth および $m$-strongly log-concave 分布からサンプリングする。
本研究では,SAGA法やSVRG法をベースとした非バイアス勾配推定器を用いて,バッチサイズを小さくすることで,高い勾配効率が得られることを示す。
総合的および実世界のベンチマークデータによる実験結果から、我々の新しいフレームワークは、完全な勾配と勾配HMCアプローチを著しく上回っていることが示された。
論文 参考訳（メタデータ） (2021-02-09T02:44:24Z) - Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。
ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。
さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文 参考訳（メタデータ） (2020-12-28T05:14:22Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。