論文の概要: Electron-Informed Coarse-Graining Molecular Representation Learning for Real-World Molecular Physics

• arxiv url: http://arxiv.org/abs/2602.07087v1
• Date: Fri, 06 Feb 2026 08:48:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.437474
• Title: Electron-Informed Coarse-Graining Molecular Representation Learning for Real-World Molecular Physics
• Title（参考訳）: 電子インフォームド粗粒分子表現学習による実世界の分子物理
• Authors: Gyoung S. Na, Chanyoung Park,
• Abstract要約: 本稿では,電子インフォームド分子表現を余分なコストで学習する手法を提案する。 提案手法は、広範囲なベンチマークデータセットに対して最先端の予測精度を達成した。
• 参考スコア（独自算出の注目度）: 20.865893351903072
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Various representation learning methods for molecular structures have been devised to accelerate data-driven chemistry. However, the representation capabilities of existing methods are essentially limited to atom-level information, which is not sufficient to describe real-world molecular physics. Although electron-level information can provide fundamental knowledge about chemical compounds beyond the atom-level information, obtaining the electron-level information in real-world molecules is computationally impractical and sometimes infeasible. We propose a method for learning electron-informed molecular representations without additional computation costs by transferring readily accessible electron-level information about small molecules to large molecules of our interest. The proposed method achieved state-of-the-art prediction accuracy on extensive benchmark datasets containing experimentally observed molecular physics. The source code for HEDMoL is available at https://github.com/ngs00/HEDMoL.
• Abstract（参考訳）: 分子構造の様々な表現学習法は、データ駆動化学を加速するために考案されている。 しかし、既存の手法の表現能力は基本的に原子レベルの情報に限られており、実際の分子物理学を記述するには不十分である。 電子レベル情報は、原子レベル情報以外の化合物に関する基本的な知識を提供することができるが、実世界の分子における電子レベル情報を取得することは、計算的に非現実的であり、時には実現不可能である。 そこで本研究では, 小分子に関する電子レベル情報を大分子に移動させることにより, 計算コストを増大させることなく, 電子インフォームド分子表現を学習する手法を提案する。 提案手法は, 実験的に観察された分子物理を含む広範囲なベンチマークデータセットに対して, 最先端の予測精度を達成した。 HEDMoLのソースコードはhttps://github.com/ngs00/HEDMoLで入手できる。

関連論文リスト

• KnowMol: Advancing Molecular Large Language Models with Multi-Level Chemical Knowledge [73.51130155601824]
  KnowMol-100Kは100Kの微細な分子アノテーションを持つ大規模データセットである。 また,既存の分子表現戦略の限界に効果的に対処する,化学的に不変な分子表現も提案する。 KnowMolは、分子理解および生成タスク間で優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-10-22T11:23:58Z)
• Mol-LLaMA: Towards General Understanding of Molecules in Large Molecular Language Model [52.84455878597969]
  Mol-LLaMAは、分子を中心とした一般的な知識を把握した大きな分子言語モデルである。 分子理解を改善するために,分子エンコーダの相補的な情報を統合するモジュールを提案する。
  論文  参考訳（メタデータ） (2025-02-19T05:49:10Z)
• E3STO: Orbital Inspired SE(3)-Equivariant Molecular Representation for Electron Density Prediction [0.0]
  Slater-Type Orbitals (STO) からインスピレーションを得た新しいSE(3)-equivariantアーキテクチャを提案する。 我々のアプローチは、学習された軌道のような分子表現に代替的な機能形式を提供する。 分子電子密度のSOTA予測精度を他の分子動力学データよりも30～70%向上させることにより,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-10-08T15:20:33Z)
• Advancing Molecular Machine Learning Representations with Stereoelectronics-Infused Molecular Graphs [0.0]
  分子グラフに量子化学的に豊富な情報を注入する新しい手法を立体電子効果により導入する。 小分子で訓練された学習表現は、はるかに大きな分子構造に正確に外挿できることが示される。
  論文  参考訳（メタデータ） (2024-08-08T15:21:07Z)
• 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。