論文の概要: MCGM: Multi-stage Clustered Global Modeling for Long-range Interactions in Molecules

• arxiv url: http://arxiv.org/abs/2509.22028v1
• Date: Fri, 26 Sep 2025 08:06:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.288512
• Title: MCGM: Multi-stage Clustered Global Modeling for Long-range Interactions in Molecules
• Title（参考訳）: MCGM:分子の長距離相互作用のための多段階クラスターグローバルモデリング
• Authors: Haodong Pan, Yusong Wang, Nanning Zheng, Caijui Jiang,
• Abstract要約: MCGM(Multi-stage Clustered Global Modeling)は、幾何学的GNNに階層的グローバルコンテキストを与える軽量なプラグアンドプレイモジュールである。 AQMでは、MCGMはニューラルP3Mよりも20%少ないパラメータを使用しながら、最先端の精度(エネルギーは17.0 meV、力は4.9 meV/AA)を達成する。
• 参考スコア（独自算出の注目度）: 35.99466073921216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometric graph neural networks (GNNs) excel at capturing molecular geometry, yet their locality-biased message passing hampers the modeling of long-range interactions. Current solutions have fundamental limitations: extending cutoff radii causes computational costs to scale cubically with distance; physics-inspired kernels (e.g., Coulomb, dispersion) are often system-specific and lack generality; Fourier-space methods require careful tuning of multiple parameters (e.g., mesh size, k-space cutoff) with added computational overhead. We introduce Multi-stage Clustered Global Modeling (MCGM), a lightweight, plug-and-play module that endows geometric GNNs with hierarchical global context through efficient clustering operations. MCGM builds a multi-resolution hierarchy of atomic clusters, distills global information via dynamic hierarchical clustering, and propagates this context back through learned transformations, ultimately reinforcing atomic features via residual connections. Seamlessly integrated into four diverse backbone architectures, MCGM reduces OE62 energy prediction error by an average of 26.2%. On AQM, MCGM achieves state-of-the-art accuracy (17.0 meV for energy, 4.9 meV/{\AA} for forces) while using 20% fewer parameters than Neural P3M. Code will be made available upon acceptance.
• Abstract（参考訳）: 幾何学グラフニューラルネットワーク(GNN)は分子幾何学を捉えるのに優れているが、その局所性に偏ったメッセージパッシングは長距離相互作用のモデル化を妨げている。 現在の解には基本的な制限がある: カットオフラジイの拡張は計算コストを3倍にスケールさせる; 物理にインスパイアされたカーネル(例えば、クーロン、分散)はしばしばシステム固有であり、一般性に欠ける; フーリエ空間法は、計算オーバーヘッドを追加して複数のパラメータ(例えば、メッシュサイズ、k空間カットオフ)を慎重にチューニングする必要がある。 我々は,効率的なクラスタリング操作を通じて,幾何学的GNNに階層的グローバルコンテキストを付与する軽量なプラグイン・アンド・プレイモジュールであるMulti-stage Clustered Global Modeling (MCGM)を紹介した。 MCGMは、原子クラスターの多分解能階層を構築し、動的階層的クラスタリングを通じてグローバル情報を蒸留し、学習された変換を通じてこのコンテキストを伝播し、最終的には残留接続を介して原子の特徴を補強する。 MCGMは4つの多様なバックボーンアーキテクチャにシームレスに統合され、OE62エネルギー予測誤差を平均26.2%削減した。 AQMでは、MCGMはニューラルP3Mよりも20%少ないパラメータを使用しながら、最先端の精度(エネルギーは17.0 meV、力は4.9 meV/{\AA})を達成する。 コードは受理時に利用可能になる。

関連論文リスト

• Facet: highly efficient E(3)-equivariant networks for interatomic potentials [6.741915610607818]
  計算材料発見は、第一原理計算の高コストによって制限される。 結晶構造からエネルギーを予測する機械学習のポテンシャルは有望だが、既存の手法では計算のボトルネックに直面している。 効率的なMLポテンシャルのためのGNNアーキテクチャであるFacetを提案する。
  論文  参考訳（メタデータ） (2025-09-10T09:06:24Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• Hi-GMAE: Hierarchical Graph Masked Autoencoders [90.30572554544385]
  階層型グラフマスク付きオートエンコーダ(Hi-GMAE) Hi-GMAEは、グラフ内の階層構造を扱うために設計された、新しいマルチスケールGMAEフレームワークである。 15のグラフデータセットに対する実験は、Hi-GMAEが17の最先端の自己管理競合より優れていることを一貫して示している。
  論文  参考訳（メタデータ） (2024-05-17T09:08:37Z)
• Learning Coarse-Grained Dynamics on Graph [4.692217705215042]
  グラフ上の粗粒度動的システムを特定するために,グラフニューラルネットワーク(GNN)非マルコフモデリングフレームワークを検討する。 本研究の主目的は, グラフトポロジを符号化する粗粒度相互作用係数に, モリ・ズワンチのメモリ項の先頭項がどのように依存するかを検査することによって, GNNアーキテクチャを体系的に決定することである。
  論文  参考訳（メタデータ） (2024-05-15T13:25:34Z)
• Modeling Fission Gas Release at the Mesoscale using Multiscale DenseNet Regression with Attention Mechanism and Inception Blocks [1.6385815610837167]
  核燃料中の分裂ガス放出(FGR)のメソスケールシミュレーションは、ミクロ構造の進化がFGRに与える影響を理解する強力なツールを提供する。 本稿では,2次元核燃料微構造画像からFGRフラックスを瞬時に予測するために,ディープラーニングを用いたデータ駆動方式を提案する。
  論文  参考訳（メタデータ） (2023-10-12T23:26:44Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。