論文の概要: Data-driven approach to the design of complexing agents for trivalent transuranium elements

• arxiv url: http://arxiv.org/abs/2509.21362v1
• Date: Sun, 21 Sep 2025 17:37:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:53.870824
• Title: Data-driven approach to the design of complexing agents for trivalent transuranium elements
• Title（参考訳）: 3価超ウラン元素の錯体化剤設計へのデータ駆動アプローチ
• Authors: Kirill V. Karpov, Ivan S. Pikulin, Grigory V. Bokov, Artem A. Mitrofanov,
• Abstract要約: トランウラニウム元素の錯体の性質は、様々な化学分野の研究の対象とされてきた。 最新の機械学習手法を使用して、多数の要素で利用可能な実験データを使用することのできる、新しいニューラルネットワークアーキテクチャを作成しました。 また, 提案モデルの適用性ドメインについて述べるとともに, 錯体の安定性に最も影響を及ぼす分子断片を同定した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The properties of complexes with transuranium elements have long been the object of research in various fields of chemistry. However, their experimental study is complicated by their rarity, high cost and special conditions necessary for working with such elements, and the complexity of quantum chemical calculations does not allow their use for large systems. To overcome these problems, we used modern machine learning methods to create a novel neural network architecture that allows to use available experimental data on a number of elements and thus significantly improve the quality of the resulting models. We also described the applicability domain of the presented model and identified the molecular fragments that most influence the stability of the complexes.
• Abstract（参考訳）: トランウラニウム元素の錯体の性質は、様々な化学分野の研究の対象とされてきた。 しかしながら、それらの実験は、そのような要素を扱うのに必要な希少さ、高コスト、特別な条件によって複雑であり、量子化学計算の複雑さは、大きなシステムでの使用を許さない。 これらの問題を解決するために、私たちは最新の機械学習手法を使用して、利用可能な実験データを多数の要素で使用し、結果として得られるモデルの品質を大幅に改善する、新しいニューラルネットワークアーキテクチャを作成しました。 また, 提案モデルの適用性ドメインについて述べるとともに, 錯体の安定性に最も影響を及ぼす分子断片を同定した。

関連論文リスト

• Quantum Ensembling Methods for Healthcare and Life Science [0.6386874708851962]
  我々は、医療や生命科学における小さなデータ問題において、量子アンサンブルモデルがいかに効果的かを研究する。 最大26キュービットのシミュレーションと56キュービットの量子ハードウェアを用いて、バイナリ分類のための複数の種類の量子アンサンブルを構築した。 我々はこれらの量子アンサンブルを腎細胞癌患者からの合成データセットと遺伝子発現データに基づいてテストし、免疫療法に対する患者反応を予測する。
  論文  参考訳（メタデータ） (2025-06-02T19:54:51Z)
• A Comprehensive Benchmarking Platform for Deep Generative Models in Molecular Design [0.0]
  深層生成モデルは、広大な化学物質空間を効率的に探索することで、薬物発見を加速するための有望なツールとして現れてきた。 本研究は分子設計における深部生成モデルの評価を標準化するために設計された総合的なベンチマークフレームワークである分子集合(MOSES)プラットフォームの解析を行う。 以上の結果から, 化学空間における探索と利用の複雑なトレードオフを浮き彫りにして, 様々な指標に相補的な強みを示すことが判明した。
  論文  参考訳（メタデータ） (2025-05-19T08:34:38Z)
• AtomAgents: Alloy design and discovery through physics-aware multi-modal multi-agent artificial intelligence [0.0]
  提案されている物理対応生成AIプラットフォームAtomAgentsは、大規模言語モデル(LLM)のインテリジェンスをシナジする 以上の結果から, 合金間におけるキー特性の正確な予測が可能となり, 先進金属合金の開発を推し進めるためには, 固溶合金が重要な役割を担っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-07-13T22:46:02Z)
• 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)
• Robust retrieval of material chemical states in X-ray microspectroscopy [10.621361408885765]
  本稿では,X線顕微鏡のための新しいデータ定式化モデルを提案する。 我々のフレームワークは、複雑で不均一なサンプルの化学状態を、挑戦的な条件下であっても正確に識別し、特徴付けることができる。
  論文  参考訳（メタデータ） (2023-08-08T12:17:02Z)
• Knowledge Discovery from Atomic Structures using Feature Importances [0.0]
  原子構造の構成要素間の相互作用の分子レベルでの理解は、新しい材料の設計に不可欠である。 この必要性は、原子の数と種類、化学組成、化学相互作用の性格に関する基本的な知識以上のものとなる。 原子間相互作用に対処する別の方法は、予測的なDFTサロゲートを構築して分析する、解釈可能な機械学習アプローチを使用することである。
  論文  参考訳（メタデータ） (2023-02-28T11:54:10Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Federated Learning of Molecular Properties in a Heterogeneous Setting [79.00211946597845]
  これらの課題に対処するために、フェデレーションヘテロジニアス分子学習を導入する。 フェデレートラーニングにより、エンドユーザは、独立したクライアント上に分散されたトレーニングデータを保存しながら、グローバルモデルを協調的に構築できる。 FedChemは、化学におけるAI改善のための新しいタイプのコラボレーションを可能にする必要がある。
  論文  参考訳（メタデータ） (2021-09-15T12:49:13Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。