論文の概要: A Cross-Domain Graph Learning Protocol for Single-Step Molecular Geometry Refinement

• arxiv url: http://arxiv.org/abs/2601.22723v1
• Date: Fri, 30 Jan 2026 08:55:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.33424
• Title: A Cross-Domain Graph Learning Protocol for Single-Step Molecular Geometry Refinement
• Title（参考訳）: シングルステップ分子幾何微細化のためのクロスドメイングラフ学習プロトコル
• Authors: Chengchun Liu, Wendi Cai, Boxuan Zhao, Fanyang Mo,
• Abstract要約: GeoOpt-Net (GeoOpt-Net) は、B3LYP/TZVP理論のDFT品質構造を1つの前方通過で予測する多分岐SE(3)等変幾何改善ネットワークである。 GeoOpt-Netは、DFT収束基準と本質的に互換性のある初期推定を生成し、非ゼロのAll-YES'収束率をもたらす。 これらの結果は、DFTに基づく量子化学予測の効率的な加速を可能にするスケーラブルで物理的に一貫した幾何補正フレームワークとしてGeoOpt-Netを確立する。
• 参考スコア（独自算出の注目度）: 0.47664901548798794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate molecular geometries are a prerequisite for reliable quantum-chemical predictions, yet density functional theory (DFT) optimization remains a major bottleneck for high-throughput molecular screening. Here we present GeoOpt-Net, a multi-branch SE(3)-equivariant geometry refinement network that predicts DFT-quality structures at the B3LYP/TZVP level of theory in a single forward pass starting from inexpensive initial conformers generated at a low-cost force-field level. GeoOpt-Net is trained using a two-stage strategy in which a broadly pretrained geometric representation is subsequently fine-tuned to approach B3LYP/TZVP-level accuracy, with theory- and basis-set-aware calibration enabled by a fidelity-aware feature modulation (FAFM) mechanism. Benchmarking against representative approaches spanning classical conformer generation (RDKit), semiempirical quantum methods (xTB), data-driven geometry refinement pipelines (Auto3D), and machine-learning interatomic potentials (UMA) on external drug-like molecules demonstrates that GeoOpt-Net achieves sub-milli-Å all-atom RMSD with near-zero B3LYP/TZVP single-point energy deviations, indicating DFT-ready geometries that closely reproduce both structural and energetic references. Beyond geometric metrics, GeoOpt-Net generates initial guesses intrinsically compatible with DFT convergence criteria, yielding nonzero ``All-YES'' convergence rates (65.0\% under loose and 33.4\% under default thresholds), and substantially reducing re-optimization steps and wall-clock time. GeoOpt-Net further exhibits smooth and predictable energy scaling with molecular complexity while preserving key electronic observables such as dipole moments. Collectively, these results establish GeoOpt-Net as a scalable, physically consistent geometry refinement framework that enables efficient acceleration of DFT-based quantum-chemical workflows.
• Abstract（参考訳）: 正確な分子ジオメトリは、信頼できる量子化学予測の必須条件であるが、密度汎関数理論(DFT)の最適化は、高スループット分子スクリーニングの主要なボトルネックである。 ここでは,B3LYP/TZVP理論におけるDFT品質構造を,低コストの力場レベルで発生した安価な初期コンバータから1回のフォワードパスで予測するマルチブランチSE(3)等価な幾何改良ネットワークGeoOpt-Netを提案する。 GeoOpt-Netは、広範に事前訓練された幾何表現を微調整してB3LYP/TZVPレベルの精度にアプローチする2段階戦略を用いて訓練される。 古典コンホメータ生成(RDKit)、半経験的量子法(xTB)、データ駆動幾何精製パイプライン(Auto3D)、および外部の薬物様分子上の機械学習原子間ポテンシャル(UMA)のベンチマークは、GeoOpt-NetがB3LYP/TZVP単点エネルギー偏差でサブミリ単位の全原子RMSDを達成し、構造的およびエネルギー的参照の両方を密に再現していることを示す。 GeoOpt-Netは、幾何学的測度以外にも、DFT収束基準と本質的に互換性のある最初の推定値を生成し、非ゼロの ``All-YES'' 収束率 (65.0\% がゆるく、33.4\% がデフォルト閾値で、そして再最適化ステップと壁時計時間を大幅に減少させる。 GeoOpt-Netはさらに、双極子モーメントのような重要な電子観測可能性を維持しながら、分子の複雑さを伴う滑らかで予測可能なエネルギースケーリングを示す。 これらの結果は、DFTベースの量子化学ワークフローの効率的な加速を可能にするスケーラブルで物理的に一貫した幾何改善フレームワークとしてGeoOpt-Netを確立している。

関連論文リスト

• Renormalization Group Guided Tensor Network Structure Search [58.0378300612202]
  ネットワーク構造探索(TN-SS)は、高次元データ表現における効率的なテンソル分解のための最適なネットワークトポロジとランクロバスト性を自動的に発見することを目的としている。 RGTN(Renormalization Group Guided Network Search)は、TN-SSを変換する物理に着想を得たフレームワークである。
  論文  参考訳（メタデータ） (2025-12-31T06:31:43Z)
• GeoAda: Efficiently Finetune Geometric Diffusion Models with Equivariant Adapters [61.51810815162003]
  制御された生成タスクに対してフレキシブルかつパラメータ効率の良い微調整を可能にするSE(3)-equivariant Adapter framework(GeoAda)を提案する。 GeoAdaは、過剰適合と破滅的な忘れを緩和しながら、モデルの幾何的一貫性を保っている。 我々は、フレーム制御、グローバル制御、サブグラフ制御、広範囲のアプリケーションドメインを含む多様な幾何学的制御タイプにまたがるGeoAdaの適用性を実証する。
  論文  参考訳（メタデータ） (2025-07-02T18:44:03Z)
• Geometric Meta-Learning via Coupled Ricci Flow: Unifying Knowledge Representation and Quantum Entanglement [7.410691988131121]
  本稿では,3つの基礎的革新を通じて,幾何学的フローと深層学習を統合した統一的な枠組みを確立する。 まず,パラメータ空間の幾何を動的に適用し,景観トポロジーを損なう熱力学的に結合したリッチフローを提案する。 第2に、曲率の爆発解析により、明示的な位相遷移閾値と臨界学習率を導出する。 第3に、ニューラルネットワークと共形場理論のAdS/CFT型ホログラフィック双対性(Theoremrefthm:ads)を確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:32:31Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Bridging Geometric States via Geometric Diffusion Bridge [79.60212414973002]
  本稿では,初期および対象の幾何状態を正確にブリッジする新しい生成モデリングフレームワークであるGeometric Diffusion Bridge (GDB)を紹介する。 GDBは、幾何学的状態の接続のためにDoobの$h$-transformの修正版から派生した同変拡散ブリッジを使用している。 我々はGDBが既存の最先端のアプローチを超越し、幾何学的状態を正確にブリッジするための新しい経路を開くことを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:59:53Z)
• Orbital-free density functional theory with first-quantized quantum subroutines [0.0]
  確率的想像時間進化(PITE)を用いた軌道自由密度汎関数理論(OFDFT)を実現する量子古典ハイブリッドスキームを提案する。 PITEはOFDFTの一部に適用され、各自己整合体(SCF)反復におけるハミルトニアン基底状態を探索する。 ハミルトンの基底状態エネルギーを得るには、回路深さが$O(log N_mathrmg)$が必要である。
  論文  参考訳（メタデータ） (2024-07-23T05:34:11Z)
• GeoTMI:Predicting quantum chemical property with easy-to-obtain geometry via positional denoising [0.9192155794577584]
  そこで本研究では,簡易なジオメトリを用いて特性を正確に予測する手法であるGeoTMIを提案する。 その結果,GeoTMIの有効性とロバスト性を示した。
  論文  参考訳（メタデータ） (2023-03-28T17:07:12Z)
• 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)
• An End-to-End Framework for Molecular Conformation Generation via Bilevel Programming [71.82571553927619]
  分子コンフォメーション予測のためのエンドツーエンドソリューションであるconfvaeを提案する。 具体的には、まず分子グラフを潜時空間に符号化し、3次元構造は原理化された二段階最適化プログラムを解くことによって生成される。
  論文  参考訳（メタデータ） (2021-05-15T15:22:29Z)

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。