論文の概要: Generating transition states of chemical reactions via distance-geometry-based flow matching

• arxiv url: http://arxiv.org/abs/2511.17229v1
• Date: Fri, 21 Nov 2025 13:15:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:19.038218
• Title: Generating transition states of chemical reactions via distance-geometry-based flow matching
• Title（参考訳）: 距離幾何学に基づく流れマッチングによる化学反応の遷移状態の生成
• Authors: Yufei Luo, Xiang Gu, Jian Sun,
• Abstract要約: 反応物および生成物からの遷移状態を予測するフローマッチングフレームワークTS-DFMを提案する。 ベンチマークデータセットTransition1Xでは、TS-DFMが従来の最先端メソッドであるReact-OTを30%上回っている。
• 参考スコア（独自算出の注目度）: 45.432950944168205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transition states (TSs) are crucial for understanding reaction mechanisms, yet their exploration is limited by the complexity of experimental and computational approaches. Here we propose TS-DFM, a flow matching framework that predicts TSs from reactants and products. By operating in molecular distance geometry space, TS-DFM explicitly captures the dynamic changes of interatomic distances in chemical reactions. A network structure named TSDVNet is designed to learn the velocity field for generating TS geometries accurately. On the benchmark dataset Transition1X, TS-DFM outperforms the previous state-of-the-art method React-OT by 30\% in structural accuracy. These predicted TSs provide high-quality initial structures, accelerating the convergence of CI-NEB optimization. Additionally, TS-DFM can identify alternative reaction paths. In our experiments, even a more favorable TS with lower energy barrier is discovered. Further tests on RGD1 dataset confirm its strong generalization ability on unseen molecules and reaction types, highlighting its potential for facilitating reaction exploration.
• Abstract（参考訳）: 遷移状態(TS)は反応機構を理解するために重要であるが、その探索は実験と計算のアプローチの複雑さによって制限される。 本稿では,反応物や製品からTSを予測するフローマッチングフレームワークTS-DFMを提案する。 分子距離幾何学空間で操作することにより、TS-DFMは化学反応における原子間距離の動的変化を明示的に捉える。 TSDVNetという名前のネットワーク構造は、TSジオメトリを正確に生成するための速度場を学習するために設計されている。 ベンチマークデータセットTransition1Xでは、TS-DFMが従来の最先端メソッドであるReact-OTを30倍の精度で上回ります。 これらの予測TSは高品質な初期構造を提供し、CI-NEB最適化の収束を加速させる。 さらに、TS-DFMは代替反応経路を特定できる。 我々の実験では、エネルギー障壁が低いより好ましいTSも発見されている。 RGD1データセットのさらなる試験は、未知の分子や反応種に対する強力な一般化能力を確認し、反応探索を促進する可能性を強調した。

関連論文リスト

• Flow matching for reaction pathway generation [1.8420084274819617]
  モルゲンは、ガウス前駆体を標的とする化学分布を輸送する最適な輸送経路を学習する条件付きフローマッチングフレームワークである。 TSDiffとOA-ReactDiffが使用しているベンチマークでは、MolGENはTSの幾何精度とバリアハイト予測を超越し、サンプリングを秒未満に削減している。 MolGENはまた、競合するトップkの精度でオープンな製品生成をサポートし、シーケンスモデルに共通する質量/電子バランス違反を避ける。
  論文  参考訳（メタデータ） (2025-07-14T17:54:47Z)
• Efficient Transition State Searches by Freezing String Method with Graph Neural Network Potentials [0.10742675209112619]
  有機反応の遷移状態探索を高速化するグラフニューラルネットワーク(GNN)PESを開発した。 我々のモデルは100%の成功率を達成し、すべてのケースにおいて基準TSを配置する。 ファインチューニングは、アウト・オブ・ディストリビューションケースの桁違いのGNN-FT誤差を低減する。
  論文  参考訳（メタデータ） (2025-01-10T18:32:05Z)
• Text-Augmented Multimodal LLMs for Chemical Reaction Condition Recommendation [38.76977853056086]
  Chemma-RCは、タスク固有の対話と条件生成を通じて有効な条件を識別するテキスト拡張マルチモーダルLLMである。 Chemma-RCは、複数のモダリティ(テキストコーパス、反応SMILES、反応グラフを含む)を共有埋め込みモジュールで整列させることで、化学反応の統一的な表現を学習する。 データセットのパフォーマンスベンチマークは、最適な条件を特定する上で高い精度を示し、最先端の手法よりも最大17%改善した。
  論文  参考訳（メタデータ） (2024-07-21T12:27:26Z)
• React-OT: Optimal Transport for Generating Transition State in Chemical Reactions [45.99250641377074]
  反応物や生成物から一意な遷移状態構造を生成するための最適な輸送手法であるReact-OTを開発した。 Re React-OTは、0.053AAの中央構造根平均平方偏差(RMSD)と1.06 kcal/molの中央障壁誤差を持つ高度精度の高いTS構造を生成する。
  論文  参考訳（メタデータ） (2024-04-20T17:31:45Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Diffusion-based Generative AI for Exploring Transition States from 2D Molecular Graphs [0.3759936323189417]
  本稿では,遷移状態の幾何学的予測のための拡散法,すなわち TSDiff に基づく生成的アプローチを提案する。 TSDiffは、精度と効率の両面で、既存の機械学習モデルよりも3Dジオメトリの方が優れている。
  論文  参考訳（メタデータ） (2023-04-20T10:45:57Z)
• Exploring Structure-aware Transformer over Interaction Proposals for Human-Object Interaction Detection [119.93025368028083]
  我々は、新しいトランスフォーマー型ヒューマンオブジェクトインタラクション(HOI)検出器、すなわち、インタラクション提案(STIP)による構造認識トランスフォーマーを設計する。 STIPはHOIセット予測の過程を、まず相互作用の提案生成を行い、次に構造認識変換器を介して非パラメトリック相互作用提案をHOI予測に変換する2つのフェーズに分解する。 構造対応トランスフォーマーは、相互作用提案間の相同的意味構造を付加してバニラトランスフォーマーをアップグレードし、各相互作用提案内の人間・物体の局所的空間構造を付加し、HOIを強化する。
  論文  参考訳（メタデータ） (2022-06-13T16:21:08Z)

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。