論文の概要: Interpretable Machine Learning for Quantum-Informed Property Predictions in Artificial Sensing Materials

• arxiv url: http://arxiv.org/abs/2601.00503v1
• Date: Thu, 01 Jan 2026 22:56:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.479816
• Title: Interpretable Machine Learning for Quantum-Informed Property Predictions in Artificial Sensing Materials
• Title（参考訳）: 人工センシング材料における量子インフォームド特性予測のための解釈可能な機械学習
• Authors: Li Chen, Leonardo Medrano Sandonas, Shirong Huang, Alexander Croy, Gianaurelio Cuniberti,
• Abstract要約: デジタルセンシングは、身体の臭気ボラティローム(BOV)へのカスタマイズEノイズの適用性を高めるための持続可能な方法の開発において課題に直面している 我々は,e-nose分子構築ブロックの量子力学(QM)特性データを機械学習(ML)手法と統合し,センシング関連特性を予測する計算フレームワークMORE-MLを開発した。
• 参考スコア（独自算出の注目度）: 40.34973869620865
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Digital sensing faces challenges in developing sustainable methods to extend the applicability of customized e-noses to complex body odor volatilome (BOV). To address this challenge, we developed MORE-ML, a computational framework that integrates quantum-mechanical (QM) property data of e-nose molecular building blocks with machine learning (ML) methods to predict sensing-relevant properties. Within this framework, we expanded our previous dataset, MORE-Q, to MORE-QX by sampling a larger conformational space of interactions between BOV molecules and mucin-derived receptors. This dataset provides extensive electronic binding features (BFs) computed upon BOV adsorption. Analysis of MORE-QX property space revealed weak correlations between QM properties of building blocks and resulting BFs. Leveraging this observation, we defined electronic descriptors of building blocks as inputs for tree-based ML models to predict BFs. Benchmarking showed CatBoost models outperform alternatives, especially in transferability to unseen compounds. Explainable AI methods further highlighted which QM properties most influence BF predictions. Collectively, MORE-ML combines QM insights with ML to provide mechanistic understanding and rational design principles for molecular receptors in BOV sensing. This approach establishes a foundation for advancing artificial sensing materials capable of analyzing complex odor mixtures, bridging the gap between molecular-level computations and practical e-nose applications.
• Abstract（参考訳）: デジタルセンシングは、カスタマイズされたe-nosesを複雑な身体臭気孔(BOV)に適用可能にするための持続可能な方法の開発において、課題に直面している。 この課題に対処するため,我々は,e-nose分子構築ブロックの量子力学(QM)特性データを機械学習(ML)手法と統合し,センシング関連特性を予測する計算フレームワークMORE-MLを開発した。 本フレームワークでは, BOV分子とムチン由来受容体との相互作用のより広いコンフォメーション空間をサンプリングすることにより, これまでのMORE-QをMORE-QXに拡張した。 このデータセットはBOV吸着に基づいて計算された広範囲な電子結合特性(BF)を提供する。 MORE-QX特性空間の解析により,建築ブロックのQM特性と結果として生じるBFとの間には弱い相関が認められた。 そこで我々は,ブロックの電子記述子を木ベースMLモデルの入力として定義し,BFを予測する。 ベンチマークの結果、CatBoostモデルは代替品、特に目に見えない化合物の転送性に優れていた。 説明可能なAI手法はさらに、どのQMプロパティがBF予測に最も影響するかを強調した。 総合的に、MORE-MLはQMインサイトとMLを組み合わせることで、BOVセンシングにおける分子受容体の機械的理解と合理的な設計原則を提供する。 提案手法は, 複雑な臭気混合物を解析し, 分子レベルでの計算と実用的なe-noseアプリケーションとのギャップを埋めることのできる, 人工センシング材料を進化させる基盤を確立する。

関連論文リスト

• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• QCA-MolGAN: Quantum Circuit Associative Molecular GAN with Multi-Agent Reinforcement Learning [2.2463678997251604]
  この研究は、QCA-MolGAN(英語版)と呼ばれる新しい量子回路Born Machine(英語版) (QCBM) を利用した創発的アドリバーサネットワーク(英語版) (GAN) を提案し、薬物のような分子を生成する。 QCBMは学習可能な事前分布として機能し、GANS識別器が取得した高次特徴と整合した潜在空間を定義するために連想的に訓練される。 分子生成を目的とする目的特性を導出するために,新しいマルチエージェント強化学習ネットワークを統合する。
  論文  参考訳（メタデータ） (2025-09-05T12:31:58Z)
• Machine learning surrogate models of many-body dispersion interactions in polymer melts [40.83978401377059]
  本稿では,高分子融液中のMBD力を予測するための機械学習サロゲートモデルを提案する。 我々のモデルは、最も関連する原子結合を選択的に保持する、トリミングされたSchNetアーキテクチャに基づいている。 高計算効率で特徴付けられるサロゲートモデルにより、大規模な分子シミュレーションにMBD効果を実践的に組み込むことが可能となる。
  論文  参考訳（メタデータ） (2025-03-19T12:15:35Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Analysis of Atom-level pretraining with Quantum Mechanics (QM) data for Graph Neural Networks Molecular property models [0.0]
  量子力学(QM)データを用いた原子レベルの事前トレーニングは、トレーニングデータとテストデータ間の分布類似性に関する仮定違反を軽減することができることを示す。 隠れ状態の分子表現を解析し、QMデータに対する分子レベルと原子レベルの事前学習の効果を比較するのは、これが初めてである。
  論文  参考訳（メタデータ） (2024-05-23T17:51:05Z)
• Unsupervised Learning of Molecular Embeddings for Enhanced Clustering and Emergent Properties for Chemical Compounds [2.6803933204362336]
  SMILESデータに基づく化合物の検出とクラスタリングのための様々な手法を提案する。 埋め込みデータを用いて化合物のグラフィカルな構造を解析し, しきい値を満たすためにベクトル探索を用いる。 また、GPT3.5を用いたベクトルデータベースに格納された自然言語記述埋め込みを用い、ベースモデルより優れていた。
  論文  参考訳（メタデータ） (2023-10-25T18:00:24Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)

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。