論文の概要: MACE-POLAR-1: A Polarisable Electrostatic Foundation Model for Molecular Chemistry

• arxiv url: http://arxiv.org/abs/2602.19411v1
• Date: Mon, 23 Feb 2026 01:09:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.630604
• Title: MACE-POLAR-1: A Polarisable Electrostatic Foundation Model for Molecular Chemistry
• Title（参考訳）: MACE-POLAR-1:分子化学のための分極可能な静電基礎モデル
• Authors: Ilyes Batatia, William J. Baldwin, Domantas Kuryla, Joseph Hart, Elliott Kasoar, Alin M. Elena, Harry Moore, Mikołaj J. Gawkowski, Benjamin X. Shi, Venkat Kapil, Panagiotis Kourtis, Ioan-Bogdan Magdău, Gábor Csányi,
• Abstract要約: 分子化学のための新しい静電気基礎モデルを提案し, 長距離相互作用と静電気誘導の明示的な処理により, MACEアーキテクチャを拡張した。 本手法は局所的な多体幾何学的特徴と、学習可能な電荷とスピン密度を更新する非自己整合場形式とを組み合わせる。 モデルが可変電荷とスピン状態を扱う能力、外部磁場に反応し、解釈可能なスピン分解電荷密度を提供し、小さな分子からタンパク質-リガンド錯体への精度を維持し、それを計算分子化学と薬物発見のための汎用的なツールとして位置づける。
• 参考スコア（独自算出の注目度）: 2.920129574607374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate modelling of electrostatic interactions and charge transfer is fundamental to computational chemistry, yet most machine learning interatomic potentials (MLIPs) rely on local atomic descriptors that cannot capture long-range electrostatic effects. We present a new electrostatic foundation model for molecular chemistry that extends the MACE architecture with explicit treatment of long-range interactions and electrostatic induction. Our approach combines local many-body geometric features with a non-self-consistent field formalism that updates learnable charge and spin densities through polarisable iterations to model induction, followed by global charge equilibration via learnable Fukui functions to control total charge and total spin. This design enables an accurate and physical description of systems with varying charge and spin states while maintaining computational efficiency. Trained on the OMol25 dataset of 100 million hybrid DFT calculations, our models achieve chemical accuracy across diverse benchmarks, with accuracy competitive with hybrid DFT on thermochemistry, reaction barriers, conformational energies, and transition metal complexes. Notably, we demonstrate that the inclusion of long-range electrostatics leads to a large improvement in the description of non-covalent interactions and supramolecular complexes over non-electrostatic models, including sub-kcal/mol prediction of molecular crystal formation energy in the X23-DMC dataset and a fourfold improvement over short-ranged models on protein-ligand interactions. The model's ability to handle variable charge and spin states, respond to external fields, provide interpretable spin-resolved charge densities, and maintain accuracy from small molecules to protein-ligand complexes positions it as a versatile tool for computational molecular chemistry and drug discovery.
• Abstract（参考訳）: 静電相互作用と電荷移動の正確なモデリングは計算化学の基礎であるが、ほとんどの機械学習原子間ポテンシャル(MLIP)は長距離静電効果を捉えることができない局所原子ディスクリプタに依存している。 分子化学のための新しい静電気基礎モデルを提案し, 長距離相互作用と静電気誘導の明示的な処理により, MACEアーキテクチャを拡張した。 本手法は, 局所多体幾何学的特徴と非自己整合場形式を組み合わせ, 学習可能な電荷とスピン密度を, 偏極性反復によりモデル誘導に更新し, 学習可能な福井関数による大域的な電荷平衡を行い, 総電荷と全スピンを制御する。 この設計により、計算効率を保ちながら、電荷とスピン状態の異なるシステムの正確な物理的記述が可能になる。 1億のハイブリッドDFT計算のOMol25データセットに基づいて、我々のモデルは、熱化学、反応障壁、コンフォメーションエネルギー、遷移金属錯体のハイブリッドDFTと競合する精度で、様々なベンチマークで化学的精度を達成する。 特に、X23-DMCデータセットにおける分子結晶形成エネルギーのサブkcal/mol予測や、タンパク質-リガンド相互作用の短距離モデルに対する4倍の改善など、非共有相互作用と超分子錯体の非共有相互作用の記述に大きな改善をもたらすことが示されている。 モデルが可変電荷とスピン状態を扱う能力、外部磁場に反応し、解釈可能なスピン分解電荷密度を提供し、小さな分子からタンパク質-リガンド錯体への精度を維持し、それを計算分子化学と薬物発見のための汎用的なツールとして位置づける。

関連論文リスト

• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• A universal augmentation framework for long-range electrostatics in machine learning interatomic potentials [8.414405667524889]
  静電相互作用, 分極, ボルン有効電荷(BECs)を推定する潜在エワルド置換法(LES) 短距離MLIPと互換性のあるスタンドアロンライブラリとしてLESを提示し、MACE、NequIP、CACE、CHGNetといったメソッドとの統合を実証する。 分子やクラスターを含むSPICEセット上でMACELES-OFFをトレーニングすることにより, LESを大規模かつ化学的に多様なデータに拡張する。
  論文  参考訳（メタデータ） (2025-07-18T18:21:45Z)
• Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
  電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。 この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
  論文  参考訳（メタデータ） (2024-12-17T15:05:33Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Extending the Tavis-Cummings model for molecular ensembles -- Exploring the effects of dipole self energies and static dipole moments [0.0]
  分子アンサンブルに対するTavis-Cummingsモデルを拡張した。 光共振器に共振結合したMgH$+$分子の励起状態ダイナミクスと分光をシミュレートする。
  論文  参考訳（メタデータ） (2024-04-16T15:58:40Z)
• Interpolating many-body wave functions for accelerated molecular dynamics on the near-exact electronic surface [0.0]
  我々は原子配置の空間を通して相関多電子状態のスキームを開発する。 我々は、その後のダイナミクスに対して、ほぼ正確なポテンシャルエネルギー表面への証明可能な収束を示す。 分子動力学の軌跡を体系的に解くため、現代の電子構造アプローチと組み合わせる。
  論文  参考訳（メタデータ） (2024-02-16T22:03:37Z)
• Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum Computer [50.24983453990065]
  我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。 我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。 興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
  論文  参考訳（メタデータ） (2023-06-14T14:44:12Z)
• 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)
• Predicting molecular dipole moments by combining atomic partial charges and atomic dipoles [3.0980025155565376]
  高レベル結合クラスター理論を用いて計算した分子$boldsymbolmu$を再現するために、「MuML」モデルが組み合わされた。 校正委員会モデルを用いて予測の不確かさを確実に推定できることを実証する。
  論文  参考訳（メタデータ） (2020-03-27T14:35:37Z)

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。