論文の概要: AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules

• arxiv url: http://arxiv.org/abs/2601.00581v1
• Date: Fri, 02 Jan 2026 05:47:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.530663
• Title: AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules
• Title（参考訳）: AceFF: 小さな分子のための最先端の機械学習能力
• Authors: Stephen E. Farr, Stefan Doerr, Antonio Mirarchi, Francesc Sabanes Zariquiey, Gianni De Fabritiis,
• Abstract要約: AceFFは、小分子の薬物発見に最適化された機械学習の原子間ポテンシャル(MLIP)である。 AceFFは、薬のような化合物の包括的なデータセットに基づいて訓練された、洗練されたNet2アーキテクチャを通じてこの問題に対処する。 AceFFは必須の化学元素(H, B, C, N, O, F, Si, P, S, Cl, Br, I)を完全にサポートし、荷電状態を扱うように明示的に訓練されている。
• 参考スコア（独自算出の注目度）: 4.2137139144077915
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce AceFF, a pre-trained machine learning interatomic potential (MLIP) optimized for small molecule drug discovery. While MLIPs have emerged as efficient alternatives to Density Functional Theory (DFT), generalizability across diverse chemical spaces remains difficult. AceFF addresses this via a refined TensorNet2 architecture trained on a comprehensive dataset of drug-like compounds. This approach yields a force field that balances high-throughput inference speed with DFT-level accuracy. AceFF fully supports the essential medicinal chemistry elements (H, B, C, N, O, F, Si, P, S, Cl, Br, I) and is explicitly trained to handle charged states. Validation against rigorous benchmarks, including complex torsional energy scans, molecular dynamics trajectories, batched minimizations, and forces and anergy accuracy demonstrates that AceFF establishes a new state-of-the-art for organic molecules. The AceFF-2 model weights and inference code are available at https://huggingface.co/Acellera/AceFF-2.0.
• Abstract（参考訳）: AceFFは、小分子の薬物発見に最適化された機械学習の原子間ポテンシャル(MLIP)である。 MLIPは密度汎関数論(DFT)の効率的な代替として登場したが、様々な化学空間における一般化は依然として困難である。 AceFFは、ドラッグのような化合物の包括的なデータセットに基づいてトレーニングされた、洗練されたTensorNet2アーキテクチャを通じて、この問題に対処する。 このアプローチにより、高スループット推論速度とDFTレベルの精度のバランスをとる力場が得られる。 AceFFは必須の化学元素(H, B, C, N, O, F, Si, P, S, Cl, Br, I)を完全にサポートし、荷電状態を扱うように明示的に訓練されている。 複雑なねじりエネルギースキャン、分子動力学軌跡、バッチ化された最小化、力とエネルギーの精度などの厳密なベンチマークに対する検証は、AceFFが有機分子の新たな最先端技術を確立することを証明している。 AceFF-2モデルウェイトと推論コードはhttps://huggingface.co/Acellera/AceFF-2.0で公開されている。

関連論文リスト

• FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
  小型分子のための機能的グループ認識表現(FARM)について紹介する。 FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された新しいモデルである。 我々は、13のタスクのうち11のタスクで最先端のパフォーマンスを達成するMoleculeNetデータセット上で、FARMを評価した。
  論文  参考訳（メタデータ） (2024-10-02T23:04:58Z)
• Data-Driven Parametrization of Molecular Mechanics Force Fields for Expansive Chemical Space Coverage [16.745564099126575]
  我々は、薬物様分子のアンバー互換力場であるByteFFを開発した。 本モデルでは, 薬物様分子のすべての結合および非結合MM力場パラメータを, 広い化学空間にわたって同時に予測する。
  論文  参考訳（メタデータ） (2024-08-23T03:37:06Z)
• $\nabla^2$DFT: A Universal Quantum Chemistry Dataset of Drug-Like Molecules and a Benchmark for Neural Network Potentials [35.949502493236146]
  この研究は、nablaDFTをベースにした$nabla2$DFTと呼ばれる新しいデータセットとベンチマークを提示している。 分子構造の2倍、コンフォーメーションの3倍、新しいデータタイプとタスク、最先端のモデルを含んでいる。 $nabla2$DFTは、大量の薬物様分子の緩和軌道を含む最初のデータセットである。
  論文  参考訳（メタデータ） (2024-06-20T14:14:59Z)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• End-to-End Differentiable Molecular Mechanics Force Field Construction [0.5269923665485903]
  化学環境を知覚するためにグラフニューラルネットワークを用いる別のアプローチを提案する。 プロセス全体がモジュール化されており、モデルパラメータに関してエンドツーエンドの差別化が可能である。 本手法は, 従来の原子型を再現するだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
  論文  参考訳（メタデータ） (2020-10-02T20:59:46Z)

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。