論文の概要: Direct Molecular Polarizability Prediction with SO(3) Equivariant Local Frame GNNs

• arxiv url: http://arxiv.org/abs/2511.07087v1
• Date: Mon, 10 Nov 2025 13:23:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.269779
• Title: Direct Molecular Polarizability Prediction with SO(3) Equivariant Local Frame GNNs
• Title（参考訳）: SO(3)同変局所フレームGNNによる直接分子偏光性予測
• Authors: Jean Philip Filling, Felix Post, Michael Wand, Denis Andrienko,
• Abstract要約: 分子のテンソル応答特性を予測するために設計された,新しい同変グラフニューラルネットワークアーキテクチャを提案する。 我々のGNNは、局所的なメッセージパッシングフレームワークにスカラー、ベクトル、テンソルチャネルを統合することで、幾何学的情報を効果的にキャプチャする。 モデルの精度を評価するため、QM7-Xデータセットにおける分子の偏光率を推定し、テンソルメッセージパッシングがスカラーメッセージパッシングモデルより優れていることを示す。
• 参考スコア（独自算出の注目度）: 2.9853030364785003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a novel equivariant graph neural network (GNN) architecture designed to predict the tensorial response properties of molecules. Unlike traditional frameworks that focus on regressing scalar quantities and derive tensorial properties from their derivatives, our approach maintains $SO(3)$-equivariance through the use of local coordinate frames. Our GNN effectively captures geometric information by integrating scalar, vector, and tensor channels within a local message-passing framework. To assess the accuracy of our model, we apply it to predict the polarizabilities of molecules in the QM7-X dataset and show that tensorial message passing outperforms scalar message passing models. This work marks an advancement towards developing structured, geometry-aware neural models for molecular property prediction.
• Abstract（参考訳）: 本稿では,分子のテンソル応答特性を予測するために,新しい同変グラフニューラルネットワーク(GNN)アーキテクチャを提案する。 スカラー量の回帰と微分からテンソル特性を導出することに焦点を当てた従来のフレームワークとは異なり、我々の手法は局所座標フレームを用いてSO(3)$-equivarianceを維持できる。 我々のGNNは、局所的なメッセージパッシングフレームワークにスカラー、ベクトル、テンソルチャネルを統合することで、幾何学的情報を効果的にキャプチャする。 モデルの精度を評価するため、QM7-Xデータセットにおける分子の偏光率を推定し、テンソルメッセージパッシングがスカラーメッセージパッシングモデルより優れていることを示す。 この研究は、分子特性予測のための構造化された幾何学的認識ニューラルモデルの開発に向けた進展を示す。

関連論文リスト

• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• A quatum inspired neural network for geometric modeling [14.214656118952178]
  本稿では,MPSベースのメッセージパッシング戦略を提案する。 本手法は,多体関係を効果的にモデル化し,平均場近似を抑える。 これは幾何学的GNNに固有の標準メッセージパッシングおよびレイヤ集約モジュールをシームレスに置き換える。
  論文  参考訳（メタデータ） (2024-01-03T15:59:35Z)
• Tensor Decomposition Based Attention Module for Spiking Neural Networks [18.924242014716647]
  我々は、線形に成長するパラメータで優れた結果を示すテキストプロジェクションフルアテンション(PFA)モジュールを設計する。 本手法は,静的ベンチマークと動的ベンチマークの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-10-23T05:25:49Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• 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)
• E(n) Equivariant Graph Neural Networks [86.75170631724548]
  本稿では,E(n)-Equivariant Graph Neural Networks (EGNNs) と呼ばれる回転,翻訳,反射,置換に等価なグラフニューラルネットワークを学習する新しいモデルを提案する。 既存の手法とは対照的に、私たちの仕事は計算的に高価な中間層における高階表現を必要としません。
  論文  参考訳（メタデータ） (2021-02-19T10:25:33Z)
• Equivariant message passing for the prediction of tensorial properties and molecular spectra [1.7188280334580197]
  偏光性原子間相互作用ニューラルネットワーク(PaiNN)を提案する。 これを分子スペクトルのシミュレーションに適用し,電子構造基準と比較して4-5桁の高速化を実現した。
  論文  参考訳（メタデータ） (2021-02-05T13:00:12Z)

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。