論文の概要: $Δ$-ML Ensembles for Selecting Quantum Chemistry Methods to Compute Intermolecular Interactions
- arxiv url: http://arxiv.org/abs/2511.17753v1
- Date: Fri, 21 Nov 2025 20:10:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.40138
- Title: $Δ$-ML Ensembles for Selecting Quantum Chemistry Methods to Compute Intermolecular Interactions
- Title（参考訳）: 分子間相互作用計算のための量子化学法選択のための$Δ$-MLアンサンブル
- Authors: Austin M. Wallace, C. David Sherrill, Giri P. Krishnan,
- Abstract要約: 本稿では,事前学習した原子ペアワイドニューラルネットワークから抽出した特徴に基づいて学習した,$$-MLモデルのアンサンブルに基づくフレームワークを提案する。
提案手法は, 提案手法によらず, 0.1kcal/mol未満の平均絶対誤差を極小に達成できることを示す。
- 参考スコア（独自算出の注目度）: 2.0837295518447934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ab initio quantum chemical methods for accurately computing interactions between molecules have a wide range of applications but are often computationally expensive. Hence, selecting an appropriate method based on accuracy and computational cost remains a significant challenge due to varying performance of methods. In this work, we propose a framework based on an ensemble of $Δ$-ML models trained on features extracted from a pre-trained atom-pairwise neural network to predict the error of each method relative to all other methods including the ``gold standard'' coupled cluster with single, double, and perturbative triple excitations at the estimated complete basis set limit [CCSD(T)/CBS]. Our proposed approach provides error estimates across various levels of theories and identifies the computationally efficient approach for a given error range utilizing only a subset of the dataset. Further, this approach allows comparison between various theories. We demonstrate the effectiveness of our approach using an extended BioFragment dataset, which includes the interaction energies for common biomolecular fragments and small organic dimers. Our results show that the proposed framework achieves very small mean-absolute-errors below 0.1 kcal/mol regardless of the given method. Furthermore, by analyzing all-to-all $Δ$-ML models for present levels of theory, we identify method groupings that align with theoretical hypotheses, providing evidence that $Δ$-ML models can easily learn corrections from any level of theory to any other level of theory.
- Abstract（参考訳）: 分子間の相互作用を正確に計算するためのAb initio量子化学法は幅広い応用があるが、しばしば計算コストが高い。
したがって、精度と計算コストに基づいて適切な方法を選択することは、メソッドの性能の変化による重要な課題である。
本研究では,事前学習された原子ペアワイズニューラルネットワークから抽出した特徴に基づいて訓練された$Δ$-MLモデルのアンサンブルに基づくフレームワークを提案し,推定された完全基底集合極限[CCSD(T)/CBS]における「ゴールドスタンダード」結合クラスタを含む他のすべてのメソッドと比較して,各メソッドの誤差を予測する。
提案手法は, 種々の理論レベルにわたる誤差推定を行い, データセットのサブセットのみを用いて, 与えられた誤差範囲に対する計算効率の良いアプローチを同定する。
さらに、このアプローチは様々な理論の比較を可能にする。
生物分子断片と小さな有機二量体との相互作用エネルギーを含む拡張型バイオフラグメントデータセットを用いて,本手法の有効性を実証した。
提案手法は, 提案手法によらず, 0.1kcal/mol未満の平均絶対誤差を極小に達成できることを示す。
さらに、現在の理論レベルに対する全ての$Δ$-MLモデルを解析することにより、理論仮説と整合するメソッド群を同定し、$Δ$-MLモデルが任意の理論レベルから他の理論レベルへの修正を容易に学習できることを示す。
関連論文リスト
- Self-Refining Training for Amortized Density Functional Theory [5.5541132320126945]
そこで本稿では,自己修復学習戦略を導入することにより,大規模な事前コンパイルデータセットに対するアモータイズDFTソルバの依存性を低減する手法を提案する。
本手法は, 生成試料と基底状態エネルギーで定義される対象ボルツマン分布との差分を測定するKL偏差の変動上界の最小化として導出する。
論文 参考訳（メタデータ） (2025-06-02T00:32:32Z) - Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。
本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-03-04T17:46:51Z) - A Unified Approach to Inferring Chemical Compounds with the Desired Aqueous Solubility [5.763661159910719]
水溶性(AS)は、医薬品の発見と材料設計において重要な役割を果たす重要な物理化学的性質である。
本稿では,単純な決定論的グラフ理論記述子に基づいて,化学化合物を所望のASで予測し,推定するための新しい統一的アプローチについて報告する。
論文 参考訳（メタデータ） (2024-09-06T14:20:38Z) - Benchmark Computations of Nearly Degenerate Singlet and Triplet states of N-heterocyclic Chromophores : II. Density-based Methods [0.0]
LR-TDDFT と$Delta$SCF の両方に対して最小絶対誤差 (MAE) を持つ関数セットを提案する。
本研究は3種類のシクラジン系分子テンプレートの広範な研究に基づいている。
DFTの文脈における正確な交換、スピン汚染、スピン分極の役割は、我々の研究の最前線に来ている。
論文 参考訳（メタデータ） (2024-08-09T07:47:38Z) - E$^2$M: Double Bounded $α$-Divergence Optimization for Tensor-based Discrete Density Estimation [3.9633191508712398]
本稿では、E$2Mアルゴリズムと呼ばれる予測最大化(EM)アルゴリズムの一般化を提案する。
Kullback-Leibler (KL) の発散に基づく代理対象の最小化に最適化を緩和することでこの問題を回避する。
このアプローチは、CP、Tucker、Trainフォーマットなど、さまざまな低ランク構造に対してフレキシブルなモデリングを提供します。
論文 参考訳（メタデータ） (2024-05-28T14:28:28Z) - Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。
MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する
我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-10-24T16:54:18Z) - Pseudo-Spherical Contrastive Divergence [119.28384561517292]
エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。
PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
論文 参考訳（メタデータ） (2021-11-01T09:17:15Z) - Learning Mean-Field Equations from Particle Data Using WSINDy [0.0]
我々は相互作用粒子系(IPS)のための弱い形状スパース同定法を開発した。
非線形力学アルゴリズム(WSINDy)の弱形式スパース同定と相まって、IPSの平均場理論の概念を用いる。
我々の例としては、均質化理論からの正準問題、魅力的な反動スウォームの力学、および化学運動に対するパラボリック・楕円型ケラー・セゲルモデルのIPS記述がある。
論文 参考訳（メタデータ） (2021-10-14T22:40:01Z) - Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。
これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。
力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
論文 参考訳（メタデータ） (2021-09-07T20:01:22Z) - Learning Gaussian Mixtures with Generalised Linear Models: Precise
Asymptotics in High-dimensions [79.35722941720734]
多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。
実験的リスク最小化による高次元推定器の精度を実証する。
合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
論文 参考訳（メタデータ） (2021-06-07T16:53:56Z)
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。