論文の概要: Geometric Mixture Models for Electrolyte Conductivity Prediction

• arxiv url: http://arxiv.org/abs/2510.15403v2
• Date: Tue, 28 Oct 2025 09:19:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.210546
• Title: Geometric Mixture Models for Electrolyte Conductivity Prediction
• Title（参考訳）: 電解質導電率予測のための幾何混合モデル
• Authors: Anyi Li, Jiacheng Cen, Songyou Li, Mingze Li, Yang Yu, Wenbing Huang,
• Abstract要約: 電解質系におけるイオン伝導率の正確な予測は、多くの科学的および技術的応用を促進するために重要である。 分子の幾何グラフ表現を組み込んで,まずCALiSolとDiffMix電解質のデータセットを再編成し,拡張する。 次に、混合系に必須だが挑戦的な性質を持つSet-SE(3)を保存した新しい幾何認識フレームワークGeoMixを提案する。
• 参考スコア（独自算出の注目度）: 20.070490158706317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of ionic conductivity in electrolyte systems is crucial for advancing numerous scientific and technological applications. While significant progress has been made, current research faces two fundamental challenges: (1) the lack of high-quality standardized benchmarks, and (2) inadequate modeling of geometric structure and intermolecular interactions in mixture systems. To address these limitations, we first reorganize and enhance the CALiSol and DiffMix electrolyte datasets by incorporating geometric graph representations of molecules. We then propose GeoMix, a novel geometry-aware framework that preserves Set-SE(3) equivariance-an essential but challenging property for mixture systems. At the heart of GeoMix lies the Geometric Interaction Network (GIN), an equivariant module specifically designed for intermolecular geometric message passing. Comprehensive experiments demonstrate that GeoMix consistently outperforms diverse baselines (including MLPs, GNNs, and geometric GNNs) across both datasets, validating the importance of cross-molecular geometric interactions and equivariant message passing for accurate property prediction. This work not only establishes new benchmarks for electrolyte research but also provides a general geometric learning framework that advances modeling of mixture systems in energy materials, pharmaceutical development, and beyond.
• Abstract（参考訳）: 電解質系におけるイオン伝導率の正確な予測は、多くの科学的・技術的応用を促進するために重要である。 本研究は,(1)高品質な標準ベンチマークの欠如,(2)混合系における幾何学的構造と分子間相互作用の不十分なモデリング,という2つの根本的な課題に直面している。 これらの制約に対処するために、分子の幾何学グラフ表現を組み込んで、まずCALiSolとDiffMix電解質のデータセットを再編成し、拡張する。 次に,GeoMixを提案する。GeoMixは,Set-SE(3)の等分散を,混合系の本質的かつ挑戦的な性質として保存する新しい幾何学的枠組みである。 GeoMixの中心には幾何学的相互作用ネットワーク(Geometric Interaction Network, GIN)がある。 総合的な実験により、GeoMixは両方のデータセットで多様なベースライン(MPP、GNN、幾何学的GNNなど)を一貫して上回り、分子間幾何学的相互作用と同変メッセージパッシングの重要性を検証した。 この研究は、電解質研究のための新しいベンチマークを確立するだけでなく、エネルギー材料、医薬品開発などにおける混合システムのモデリングを促進する一般的な幾何学的学習フレームワークも提供する。

関連論文リスト

• Bridging Geometric States via Geometric Diffusion Bridge [79.60212414973002]
  本稿では,初期および対象の幾何状態を正確にブリッジする新しい生成モデリングフレームワークであるGeometric Diffusion Bridge (GDB)を紹介する。 GDBは、幾何学的状態の接続のためにDoobの$h$-transformの修正版から派生した同変拡散ブリッジを使用している。 我々はGDBが既存の最先端のアプローチを超越し、幾何学的状態を正確にブリッジするための新しい経路を開くことを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:59:53Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Differentiable Modeling and Optimization of Battery Electrolyte Mixtures Using Geometric Deep Learning [0.3141085922386211]
  本研究では, 化学混合物の幾何学的深層学習モデルDiffMixを開発し, ロボット実験の指導に応用する。 DiffMixの予測精度とモデルロバスト性は、純粋にデータ駆動型よりも向上した。 ロボット実験装置であるClioでは,10段階以内の電解質のイオン伝導率を18.8%以上向上させる。
  論文  参考訳（メタデータ） (2023-10-03T22:26:38Z)
• Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials [66.14337835284628]
  幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
  論文  参考訳（メタデータ） (2023-06-15T05:37:25Z)
• GeomGCL: Geometric Graph Contrastive Learning for Molecular Property Prediction [47.70253904390288]
  本研究では2次元および3次元ビューにまたがる分子の幾何を利用した新しいグラフコントラスト学習法を提案する。 具体的には、分子の2次元グラフと3次元グラフの両方のリッチな情報を適応的に活用するために、2次元幾何学的メッセージパッシングネットワーク(GeomMPNN)を考案する。
  論文  参考訳（メタデータ） (2021-09-24T03:55:27Z)
• 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)

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。