論文の概要: Reversible Deep Learning for 13C NMR in Chemoinformatics: On Structures and Spectra

• arxiv url: http://arxiv.org/abs/2602.03875v2
• Date: Thu, 05 Feb 2026 12:43:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 14:11:23.87557
• Title: Reversible Deep Learning for 13C NMR in Chemoinformatics: On Structures and Spectra
• Title（参考訳）: ケモインフォマティクスにおける13CNMRの可逆的深層学習:構造とスペクトルについて
• Authors: Stefan Kuhn, Vandana Dwarka, Przemyslaw Karol Grenda, Eero Vainikko,
• Abstract要約: 本稿では,分子構造とスペクトルの両方向の1つの条件付き可逆ニューラルネットワークを用いた13C NMRのディープラーニングモデルを提案する。 我々は、グラフベース構造符号化から128ビットの双対スペクトルコードを予測するためにモデルを訓練し、残りの潜在次元は残差を捉えた。 推測時には、スペクトルコードから構造候補を生成するために、同じ訓練されたネットワークを反転させ、スペクトル間推論の1対多の性質を明示的に表現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce a reversible deep learning model for 13C NMR that uses a single conditional invertible neural network for both directions between molecular structures and spectra. The network is built from i-RevNet style bijective blocks, so the forward map and its inverse are available by construction. We train the model to predict a 128-bit binned spectrum code from a graph-based structure encoding, while the remaining latent dimensions capture residual variability. At inference time, we invert the same trained network to generate structure candidates from a spectrum code, which explicitly represents the one-to-many nature of spectrum-to-structure inference. On a filtered subset, the model is numerically invertible on trained examples, achieves spectrum-code prediction above chance, and produces coarse but meaningful structural signals when inverted on validation spectra. These results demonstrate that invertible architectures can unify spectrum prediction and uncertainty-aware candidate generation within one end-to-end model.
• Abstract（参考訳）: 本稿では,分子構造とスペクトルの両方向の1つの条件付き可逆ニューラルネットワークを用いた13C NMRの可逆ディープラーニングモデルを提案する。 ネットワークはi-RevNetスタイルのビジェクティブブロックで構築されているため、フォワードマップとその逆は構築によって利用可能である。 グラフベースの構造符号化から128ビットの双対スペクトルコードを予測するためにモデルを訓練し、残りの潜在次元は残差を捉えた。 推測時には、スペクトルコードから構造候補を生成するために、同じ訓練されたネットワークを反転させ、スペクトル間推論の1対多の性質を明示的に表現する。 フィルタされたサブセット上では、モデルは訓練済みの例では数値的に可逆であり、確率以上のスペクトルコード予測を達成し、検証スペクトル上で反転すると粗いが有意な構造信号を生成する。 これらの結果から、可逆的アーキテクチャはスペクトル予測と不確実性を考慮した候補生成を、一方のエンドツーエンドモデル内で統一できることが示された。

関連論文リスト

• Variational Autoencoder with Normalizing flow for X-ray spectral fitting [0.0]
  ブラックホールX線バイナリ(BHBs)は、極度の重力環境における降着に関する物理的制約を与えるためにスペクトルフィッティングを用いて研究することができる。 本稿では,正規化フローを持つ変分オートエンコーダを用いて,物理的潜在空間の採用を訓練した確率モデルを提案する。
  論文  参考訳（メタデータ） (2026-01-12T11:28:40Z)
• Resolving Node Identifiability in Graph Neural Processes via Laplacian Spectral Encodings [9.343292907600913]
  固有ベクトル符号のフリップや固有空間内の回転の基底に不変なラプラシアン位置符号化の理論を提供する。 この符号化により、一定数の観測からノード識別性が得られ、Weisfeiler-Lehmanテストで制約されたアーキテクチャからサンプル複雑度を分離することが証明される。
  論文  参考訳（メタデータ） (2025-11-24T12:20:36Z)
• A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
  この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。 コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。 この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
  論文  参考訳（メタデータ） (2025-07-17T10:02:57Z)
• DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [68.19129717255053]
  本稿では、分子構造解明を条件生成プロセスとして定式化する生成フレームワークであるDiffSpectraについて述べる。 我々の実験では、DiffSpectraが分子構造を正確に解明し、40.76%のトップ-1と99.49%のトップ10を達成している。
  論文  参考訳（メタデータ） (2025-07-09T13:57:20Z)
• Spectral-wise Implicit Neural Representation for Hyperspectral Image Reconstruction [13.79887292039637]
  Coded Aperture Snapshot Spectral Imaging (CASSI) は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。 HSIを再構成する既存の方法は、通常、2次元圧縮画像から所定の離散スペクトル帯域のセットへの学習マッピングを含む。 本稿では、この制限に対処するための先駆的なステップとして、スペクトルワイドインシシットニューラル表現(SINR)と呼ばれる革新的な手法を提案する。
  論文  参考訳（メタデータ） (2023-12-02T08:06:07Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
  スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。 本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。 複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
  論文  参考訳（メタデータ） (2023-03-02T07:36:23Z)
• Continuous Spectral Reconstruction from RGB Images via Implicit Neural Representation [43.622087181097164]
  既存のスペクトル再構成法は通常、RGB画像から多くのスペクトル帯域への離散写像を学ぶ。 本稿では,ニューラルスペクトル再構成法(NeSR)を提案する。 NeSRは、任意の数のスペクトルバンドを目標出力として可能にすることで、スペクトル再構成の柔軟性を拡大する。
  論文  参考訳（メタデータ） (2021-12-24T09:08:23Z)

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。