Fugu-MT 論文翻訳(概要): MARA: Continuous SE(3)-Equivariant Attention for Molecular Force Fields

論文の概要: MARA: Continuous SE(3)-Equivariant Attention for Molecular Force Fields

arxiv url: http://arxiv.org/abs/2602.02671v1
Date: Mon, 02 Feb 2026 19:00:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-04 18:37:15.010352
Title: MARA: Continuous SE(3)-Equivariant Attention for Molecular Force Fields
Title（参考訳）: MARA: 分子力場に対する連続SE(3)-同変アテンション
Authors: Francesco Leonardi, Boris Bonev, Kaspar Riesen,
Abstract要約: 機械学習力場(MLFF)は、正確で効率的な原子論モデリングに欠かせないものとなっている。分子領域への球面の注意を拡大するモジュールであるモジュールMARA(Modular Angular-Radial Attention)を導入する。 MARAは、近隣の原子の角座標と放射座標を直接操作し、局所環境の柔軟な重み付けを可能にする。
参考スコア（独自算出の注目度）: 4.037703051010607
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning force fields (MLFFs) have become essential for accurate and efficient atomistic modeling. Despite their high accuracy, most existing approaches rely on fixed angular expansions, limiting flexibility in weighting local geometric interactions. We introduce Modular Angular-Radial Attention (MARA), a module that extends spherical attention -- originally developed for SO(3) tasks -- to the molecular domain and SE(3), providing an efficient approximation of equivariant interactions. MARA operates directly on the angular and radial coordinates of neighboring atoms, enabling flexible, geometrically informed, and modular weighting of local environments. Unlike existing attention mechanisms in SE(3)-equivariant architectures, MARA can be integrated in a plug-and-play manner into models such as MACE without architectural modifications. Across molecular benchmarks, MARA improves energy and force predictions, reduces high-error events, and enhances robustness. These results demonstrate that continuous spherical attention is an effective and generalizable geometric operator that increases the expressiveness, stability, and reliability of atomistic models.
Abstract（参考訳）: 機械学習力場(MLFF)は、正確で効率的な原子論モデリングに欠かせないものとなっている。その高い精度にもかかわらず、既存のほとんどのアプローチは固定角展開に依存し、局所幾何学的相互作用の重み付けの柔軟性を制限する。分子領域とSE(3)に球面の注意(もともとSO(3)タスク用に開発された)を拡張したモジュールであるモジュラ角放射アテンション(MARA)を導入し、同変相互作用の効率的な近似を提供する。 MARAは、近隣の原子の角座標と放射座標を直接操作し、局所環境の柔軟性、幾何学的情報、モジュラー重み付けを可能にする。 SE(3)-同変アーキテクチャの既存の注意機構とは異なり、MARAはMACEのようなモデルにプラグイン・アンド・プレイ方式で組み込むことができる。分子ベンチマーク全体を通じて、MARAはエネルギーと力の予測を改善し、高いエラーイベントを低減し、堅牢性を高める。これらの結果は、連続球面注意が原子モデルの表現性、安定性、信頼性を高める有効で一般化可能な幾何作用素であることを示している。

関連論文リスト

Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
論文参考訳（メタデータ） (2026-02-02T14:13:28Z)
Topology-Aware Multiscale Mixture of Experts for Efficient Molecular Property Prediction [4.631359750094176]
幾何距離にわたる相互作用モデリングに適応するために,MI-MoE(Multiscale Interaction Mixture of Experts)を提案する。我々は,(1)単一カットオフにコミットすることなく,短距離,中距離,長距離の相互作用を明示的にキャプチャする距離カットの専門家アンサンブル,(2)持続的ホモロジー特徴を含むフィルタベースの記述子を用いて,専門家に入力をルーティングするトポロジ的ゲーティングエンコーダを設計し,(3)MI-MoEは,多種多様な分子および高分子特性予測ベンチマークデータセットにわたって,複数の強力な3D分子バックボーンを一貫して改善するプラグインモジュールであることを示す。
論文参考訳（メタデータ） (2026-01-19T00:54:24Z)
Towards universal property prediction in Cartesian space: TACE is all you need [2.2468751274668466]
原子クラスター膨張と運動電位は任意の構造決定的テンソル特性の体系的予測のための枠組みである。我々は、TACEが主要な同変フレームワークに匹敵する精度、安定性、効率を達成することを実証する。この研究は、新しい世代の普遍的原子論機械学習モデルの基礎を築いた。
論文参考訳（メタデータ） (2025-09-18T13:51:07Z)
Sampling 3D Molecular Conformers with Diffusion Transformers [13.536503487456622]
拡散変換器 (DiT) は生成モデルにおいて高い性能を示した。分子へのDiTの適用は、離散的な分子グラフ情報と連続した3次元幾何学の統合など、新しい課題をもたらす。モジュールアーキテクチャを通じてこれらの課題に対処するために,DiTを適応させるフレームワークであるDiTMCを提案する。
論文参考訳（メタデータ） (2025-06-18T11:47:59Z)
DualEquiNet: A Dual-Space Hierarchical Equivariant Network for Large Biomolecules [32.33126287600196]
このネットワークはユークリッド空間と球面高調波空間の相補表現を構築し、局所幾何学と大域対称性を考慮した特徴を捉える。 DualEquiNetはRNA特性予測とタンパク質モデリングのための複数の既存のベンチマークで最先端のパフォーマンスを達成し、新しく導入された2つの3D構造ベンチマークで先行手法より優れている。
論文参考訳（メタデータ） (2025-06-10T07:43:50Z)
Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
論文参考訳（メタデータ） (2024-09-26T08:16:59Z)
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)
Learning Modulated Transformation in GANs [69.95217723100413]
生成逆数ネットワーク(GAN)のジェネレータに、変調変換モジュール(Modulated transformation module, MTM)と呼ばれるプラグアンドプレイモジュールを装備する。 MTMは、可変位置で畳み込み操作を適用可能な潜在符号の制御下で空間オフセットを予測する。挑戦的なTaiChiデータセット上での人為的な生成に向けて、StyleGAN3のFIDを21.36から13.60に改善し、変調幾何変換の学習の有効性を実証した。
論文参考訳（メタデータ） (2023-08-29T17:51:22Z)
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)
Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文参考訳（メタデータ） (2021-04-05T00:02:36Z)

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。