論文の概要: FastCSP: Accelerated Molecular Crystal Structure Prediction with Universal Model for Atoms

• arxiv url: http://arxiv.org/abs/2508.02641v1
• Date: Mon, 04 Aug 2025 17:25:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.459157
• Title: FastCSP: Accelerated Molecular Crystal Structure Prediction with Universal Model for Atoms
• Title（参考訳）: FastCSP: 原子の普遍モデルによる分子結晶構造予測
• Authors: Vahe Gharakhanyan, Yi Yang, Luis Barroso-Luque, Muhammed Shuaibi, Daniel S. Levine, Kyle Michel, Viachaslau Bernat, Misko Dzamba, Xiang Fu, Meng Gao, Xingyu Liu, Keian Noori, Lafe J. Purvis, Tingling Rao, Brandon M. Wood, Ammar Rizvi, Matt Uyttendaele, Andrew J. Ouderkirk, Chiara Daraio, C. Lawrence Zitnick, Arman Boromand, Noa Marom, Zachary W. Ulissi, Anuroop Sriram,
• Abstract要約: FastCSPは、機械学習の原子間ポテンシャルに基づくオープンソースのCrystal Structure Predictionワークフローである。 FastCSPは、既知の実験構造を一貫して生成し、それらを世界最小の分子あたり5kJ/molにランク付けする。 その結果,MLIPはシステム固有のチューニングを必要とせず,多様な化合物にまたがって利用できることがわかった。
• 参考スコア（独自算出の注目度）: 21.170799561884035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crystal Structure Prediction (CSP) of molecular crystals plays a central role in applications, such as pharmaceuticals and organic electronics. CSP is challenging and computationally expensive due to the need to explore a large search space with sufficient accuracy to capture energy differences of a few kJ/mol between polymorphs. Dispersion-inclusive density functional theory (DFT) provides the required accuracy but its computational cost is impractical for a large number of putative structures. We introduce FastCSP, an open-source, high-throughput CSP workflow based on machine learning interatomic potentials (MLIPs). FastCSP combines random structure generation using Genarris 3.0 with geometry relaxation and free energy calculations powered entirely by the Universal Model for Atoms (UMA) MLIP. We benchmark FastCSP on a curated set of 28 mostly rigid molecules, demonstrating that our workflow consistently generates known experimental structures and ranks them within 5 kJ/mol per molecule of the global minimum. Our results demonstrate that universal MLIPs can be used across diverse compounds without requiring system-specific tuning. Moreover, the speed and accuracy afforded by UMA eliminate the need for classical force fields in the early stages of CSP and for final re-ranking with DFT. The open-source release of the entire FastCSP workflow significantly lowers the barrier to accessing CSP. CSP results for a single system can be obtained within hours on tens of modern GPUs, making high-throughput crystal structure prediction feasible for a broad range of scientific applications.
• Abstract（参考訳）: 分子結晶の結晶構造予測(CSP)は、医薬品や有機エレクトロニクスなどの応用において中心的な役割を果たす。 CSPは、多形間の数kJ/molのエネルギー差を捉えるのに十分な精度で大きな探索空間を探索する必要があるため、困難で計算コストがかかる。 分散包含密度汎関数理論(DFT)は必要な精度を提供するが、その計算コストは多数の仮定構造にとって実用的ではない。 我々は機械学習の原子間ポテンシャル(MLIP)に基づくオープンソースの高スループットCSPワークフローであるFastCSPを紹介する。 FastCSPは、Genarris 3.0を使ったランダムな構造生成と、Universal Model for Atoms (UMA) MLIPによる幾何緩和と自由エネルギー計算を組み合わせたものである。 我々はFastCSPを28個の硬化した分子でベンチマークし、我々のワークフローが既知の実験構造を一貫して生成し、それらを世界最小の分子あたり5kJ/molにランク付けすることを示した。 この結果から,システム固有のチューニングを必要とせず,多種多様なMLIPを応用できることが示唆された。 さらに、UMAが得る速度と精度は、CSPの初期段階における古典的な力場の必要性を排除し、DFTに準じて最終順位を更新する。 FastCSPワークフロー全体のオープンソースリリースは、CSPへのアクセス障壁を大幅に下げる。 単一システムのCSP結果は、数十の現代的なGPU上で数時間以内に得られるので、広範囲の科学的応用で高いスループットの結晶構造予測が可能となる。

関連論文リスト

• Toward Routine CSP of Pharmaceuticals: A Fully Automated Protocol Using Neural Network Potentials [0.0]
  結晶構造予測(CSP)は、多型に関連するリスクを特定し評価するための医薬品開発において有用なツールである。 本稿では,これらの障壁を克服するために,完全自動化された高スループットCSPプロトコルを提案する。 プロトコルの効率は、新しいニューラルネットワークポテンシャル(NNP)であるLavo-NNによって駆動される。
  論文  参考訳（メタデータ） (2025-07-22T04:26:16Z)
• OrbitAll: A Unified Quantum Mechanical Representation Deep Learning Framework for All Molecular Systems [64.69217059173184]
  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$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-07-05T01:21:56Z)
• Enhancing the Efficiency of Complex Systems Crystal Structure Prediction by Active Learning Guided Machine Learning Potential [7.981545383991065]
  我々は、高度に一般化され、データ効率のよい機械学習ポテンシャルを構築するための柔軟で自動化されたワークフローを提案する。 このワークフローはMg-Ca-H三元系とBe-P-N-O四元系の両方で検証される。
  論文  参考訳（メタデータ） (2025-05-13T01:34:34Z)
• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• Ensemble Knowledge Distillation for Machine Learning Interatomic Potentials [34.82692226532414]
  機械学習の原子間ポテンシャル(MLIP)を改善するためのアンサンブル知識蒸留法(EKD)を提案する。 まず、複数の教師モデルはQCエネルギーに訓練され、次にデータセットのすべての構成に対して原子力を生成する。次に、学生MLIPは、教師モデルによって生成されたQCエネルギーと平均的な力の両方に訓練される。 得られた学生MLIPは、Compum6ベンチマークで新しい最先端の精度を達成し、分子動力学シミュレーションの安定性の向上を示す。
  論文  参考訳（メタデータ） (2025-03-18T14:32:51Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
  本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。 RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。 提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
  論文  参考訳（メタデータ） (2024-06-01T13:11:11Z)
• Latent Conservative Objective Models for Data-Driven Crystal Structure Prediction [62.36797874900395]
  計算化学において、結晶構造予測は最適化問題である。 この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。 我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
  論文  参考訳（メタデータ） (2023-10-16T04:35:44Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Scaling and Acceleration of Three-dimensional Structure Determination for Single-Particle Imaging Experiments with SpiniFEL [0.0]
  単粒子イメージング(SPI)実験からタンパク質の構造決定に使用されるSpiniFELについて述べる。 SpiniFELは、実験が行われている間、ほぼリアルタイムでスーパーコンピュータ上で動くように開発されており、データに対するフィードバックがデータ収集戦略を導くことができる。
  論文  参考訳（メタデータ） (2021-09-11T18:49:54Z)
• A Universal Framework for Featurization of Atomistic Systems [0.0]
  物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。 本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。 我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
  論文  参考訳（メタデータ） (2021-02-04T03:11:00Z)
• Quantum HF/DFT-Embedding Algorithms for Electronic Structure Calculations: Scaling up to Complex Molecular Systems [0.0]
  本稿では,量子電子構造計算の古典計算環境への埋め込みを提案する。 我々は、選択された活性空間上の不活性電子の作用を記述する平均場を含む実効ハミルトニアンを構築することでこれを達成した。
  論文  参考訳（メタデータ） (2020-09-03T18:35:50Z)

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。