論文の概要: PERM EQ x GRAPH EQ: Equivariant Neural Networks for Quantum Molecular Learning

• arxiv url: http://arxiv.org/abs/2512.05475v1
• Date: Fri, 05 Dec 2025 07:07:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:56.929098
• Title: PERM EQ x GRAPH EQ: Equivariant Neural Networks for Quantum Molecular Learning
• Title（参考訳）: PERM EQ x GRAPH EQ: 量子分子学習のための同変ニューラルネットワーク
• Authors: Saumya Biswas, Jiten Oswal,
• Abstract要約: 単純な線形形状のLiH分子と三角錐分子NH3の2つの分子データセットが検討されている。 精度と一般化性の両方が考慮されている。 置換対称埋め込みは幾何学学習における最も一般化可能な量子機械学習モデルである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In hierarchal order of molecular geometry, we compare the performances of Geometric Quantum Machine Learning models. Two molecular datasets are considered: the simplistic linear shaped LiH-molecule and the trigonal pyramidal molecule NH3. Both accuracy and generalizability metrics are considered. A classical equivariant model is used as a baseline for the performance comparison. The comparative performance of Quantum Machine Learning models with no symmetry equivariance, rotational and permutational equivariance, and graph embedded permutational equivariance is investigated. The performance differentials and the molecular geometry in question reveals the criteria for choice of models for generalizability. Graph embedding of features is shown to be an effective pathway to greater trainability for geometric datasets. Permutational symmetric embedding is found to be the most generalizable quantum Machine Learning model for geometric learning.
• Abstract（参考訳）: 分子幾何学の階層的な順序で、幾何学量子機械学習モデルの性能を比較する。 単純な線形形状のLiH分子と三角錐分子NH3の2つの分子データセットが検討されている。 精度と一般化性の両方が考慮されている。 古典的同変モデルは性能比較のベースラインとして使用される。 対称同値・回転・置換同値・グラフ埋め込み置換同値を含まない量子機械学習モデルの比較性能について検討した。 性能微分と分子幾何学は、一般化可能性のモデルを選択するための基準を明らかにする。 特徴のグラフ埋め込みは、幾何学的データセットのトレーニング可能性を高める効果的な経路であることが示されている。 置換対称埋め込みは幾何学学習における最も一般化可能な量子機械学習モデルである。

関連論文リスト

• Permutation Equivariant Neural Networks for Symmetric Tensors [0.0]
  我々は、$mathbbRn$の対称パワー空間の間のすべての線型置換同変関数の2つの異なる特徴付けを示す。 これらの関数は標準テンソルと比較して非常に効率的であり、異なる大きさの対称によく一般化できることを示した。
  論文  参考訳（メタデータ） (2025-03-14T10:33:13Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Similarity Equivariant Graph Neural Networks for Homogenization of Metamaterials [3.6443770850509423]
  ソフトで多孔質なメカニカルメタマテリアルは、ソフトロボティクス、音の低減、バイオメディシンに重要な応用をもたらすパターン変換を示す。 我々は、代理モデルとして機能するために好意的にスケールする機械学習ベースのアプローチを開発する。 このネットワークは、対称性の少ないグラフニューラルネットワークよりも正確で、データ効率が高いことを示す。
  論文  参考訳（メタデータ） (2024-04-26T12:30:32Z)
• E(3)-equivariant models cannot learn chirality: Field-based molecular generation [51.327048911864885]
  キラリティは薬物の安全性と効力性を決定する上で重要な役割を果たしている。 回転対称性の制約に取って代わる基準回転を提案する。 提案モデルでは、キラル性を含む全ての分子測地を捕捉するが、標準ベンチマーク指標のE(3)に基づく手法と高い競争性能を保っている。
  論文  参考訳（メタデータ） (2024-02-24T17:13:58Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Graph Polynomial Convolution Models for Node Classification of Non-Homophilous Graphs [52.52570805621925]
  本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。 得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。 提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
  論文  参考訳（メタデータ） (2022-09-12T04:46:55Z)
• 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)
• Variational quantum algorithm for molecular geometry optimization [0.0]
  分子の最も安定な構造を見つけるための変分量子アルゴリズムを提案する。 分子の平衡幾何学は、より一般的なコスト関数を最小化することによって得られる。 全ての量子シミュレーションは、量子微分可能プログラミングのためのペニーレーンライブラリを用いて実行される。
  論文  参考訳（メタデータ） (2021-06-25T18:34:44Z)
• 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。