論文の概要: DeepChem Equivariant: SE(3)-Equivariant Support in an Open-Source Molecular Machine Learning Library

• arxiv url: http://arxiv.org/abs/2510.16897v1
• Date: Sun, 19 Oct 2025 15:45:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.198762
• Title: DeepChem Equivariant: SE(3)-Equivariant Support in an Open-Source Molecular Machine Learning Library
• Title（参考訳）: DeepChem Equivariant: SE(3)-equivariant Support in a Open-Source Molecular Machine Learning Library
• Authors: Jose Siguenza, Bharath Ramsundar,
• Abstract要約: 私たちはDEEPCHEMを拡張して、使用可能な同変モデルをサポートし、最小限のディープラーニングバックグラウンドを持つ科学者がモデルを構築し、訓練し、評価することを可能にする。 実装には、同変モデル、完全トレーニングパイプライン、包括的なテストとドキュメントをサポートする同変ユーティリティのツールキットが含まれています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neural networks that incorporate geometric relationships respecting SE(3) group transformations (e.g. rotations and translations) are increasingly important in molecular applications, such as molecular property prediction, protein structure modeling, and materials design. These models, known as SE(3)-equivariant neural networks, ensure outputs transform predictably with input coordinate changes by explicitly encoding spatial atomic positions. Although libraries such as E3NN [4] and SE(3)-TRANSFORMER [3 ] offer powerful implementations, they often require substantial deep learning or mathematical prior knowledge and lack complete training pipelines. We extend DEEPCHEM [ 13] with support for ready-to-use equivariant models, enabling scientists with minimal deep learning background to build, train, and evaluate models, such as SE(3)-Transformer and Tensor Field Networks. Our implementation includes equivariant models, complete training pipelines, and a toolkit of equivariant utilities, supported with comprehensive tests and documentation, to facilitate both application and further development of SE(3)-equivariant models.
• Abstract（参考訳）: SE(3)群変換(例えば回転や翻訳)に関する幾何学的関係を組み込んだニューラルネットワークは、分子特性予測、タンパク質構造モデリング、材料設計などの分子応用においてますます重要になっている。 これらのモデルはSE(3)-同変ニューラルネットワークと呼ばれ、空間的原子位置を明示的に符号化することで入力座標変化とともに出力を予測可能に変換する。 E3NN [4] や SE(3)-TRANSFORMER [3 ] のようなライブラリは強力な実装を提供するが、かなり深い学習や数学的事前知識を必要とし、完全なトレーニングパイプラインが欠如していることが多い。 我々は、DEEPCHEM [13]を拡張し、使用可能な同変モデルをサポートし、最小限のディープラーニングバックグラウンドを持つ科学者がSE(3)-TransformerやTensor Field Networksなどのモデルを構築し、訓練し、評価することを可能にする。 本実装には,SE(3)-同変モデルの適用とさらなる開発を容易にするため,同変モデル,完全訓練パイプライン,および包括的テストとドキュメントでサポートされた同変ユーティリティのツールキットが組み込まれている。

関連論文リスト

• EquiCPI: SE(3)-Equivariant Geometric Deep Learning for Structure-Aware Prediction of Compound-Protein Interactions [0.0]
  EquiCPIは、SE(3)-同変ニューラルネットワークによる第一原理構造モデリングを相乗化する、エンドツーエンドの幾何学的深層学習フレームワークである。 中心となるEquiCPIは、原子点雲を渡るSE(3)-同変のメッセージを使用し、回転、翻訳、反射の下で対称性を保つ。 提案モデルはBindingDB(親和性予測)とDUD-E(仮想スクリーニング)で評価され、EquiCPIのパフォーマンスは最先端のディープラーニング競合と同等かそれ以上である。
  論文  参考訳（メタデータ） (2025-04-07T00:57:08Z)
• Large Language-Geometry Model: When LLM meets Equivariance [53.8505081745406]
  本稿では,3次元物理システムを表現するための新しいフレームワークであるEquiLLMを提案する。 EquiLLMは分子動力学シミュレーション,ヒトの動作シミュレーション,抗体設計など,従来の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-02-16T14:50:49Z)
• Learning Modulated Transformation in GANs [69.95217723100413]
  生成逆数ネットワーク(GAN)のジェネレータに、変調変換モジュール(Modulated transformation module, MTM)と呼ばれるプラグアンドプレイモジュールを装備する。 MTMは、可変位置で畳み込み操作を適用可能な潜在符号の制御下で空間オフセットを予測する。 挑戦的なTaiChiデータセット上での人為的な生成に向けて、StyleGAN3のFIDを21.36から13.60に改善し、変調幾何変換の学習の有効性を実証した。
  論文  参考訳（メタデータ） (2023-08-29T17:51:22Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• A new perspective on building efficient and expressive 3D equivariant graph neural networks [39.0445472718248]
  等変GNNの表現力を評価するための3次元同型階層を提案する。 我々の研究は、表現的かつ効率的な幾何学的GNNを設計するための2つの重要なモジュールに繋がる。 本理論の適用性を示すため,これらのモジュールを効果的に実装したLEFTNetを提案する。
  論文  参考訳（メタデータ） (2023-04-07T18:08:27Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• 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)
• SE(3)-Equivariant Graph Neural Networks for Data-Efficient and Accurate Interatomic Potentials [0.17590081165362778]
  NequIPは分子動力学シミュレーションのためのab-initio計算から原子間電位を学習するためのSE(3)等価ニューラルネットワークアプローチである。 この方法は、顕著なデータ効率を示しながら、様々な分子や材料の挑戦的な集合に対して最先端の精度を達成する。
  論文  参考訳（メタデータ） (2021-01-08T18:49:10Z)

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。