論文の概要: MBD-ML: Many-body dispersion from machine learning for molecules and materials

• arxiv url: http://arxiv.org/abs/2602.22086v1
• Date: Wed, 25 Feb 2026 16:34:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.90983
• Title: MBD-ML: Many-body dispersion from machine learning for molecules and materials
• Title（参考訳）: MBD-ML:分子・材料のための機械学習からの多体分散
• Authors: Evgeny Moerman, Adil Kabylda, Almaz Khabibrakhmanov, Alexandre Tkatchenko,
• Abstract要約: ヴァン・デル・ワールス(Van der Waals、vdW)相互作用は、医薬品の設計から電池への応用に至るまで、分子や物質を記述するのに不可欠である。 多体分散(MBD)法は、vdW相互作用を捉えるための最も正確かつ伝達可能な手法の1つである。 我々は、事前訓練されたメッセージパッシングニューラルネットワークであるMBD-MLについて、原子構造から直接これらの原子特性を予測する。
• 参考スコア（独自算出の注目度）: 39.27725073249277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Van der Waals (vdW) interactions are essential for describing molecules and materials, from drug design and catalysis to battery applications. These omnipresent interactions must also be accurately included in machine-learned force fields. The many-body dispersion (MBD) method stands out as one of the most accurate and transferable approaches to capture vdW interactions, requiring only atomic $C_6$ coefficients and polarizabilities as input. We present MBD-ML, a pretrained message passing neural network that predicts these atomic properties directly from atomic structures. Through seamless integration with libMBD, our method enables the immediate calculation of MBD-inclusive total energies, forces, and stress tensors. By eliminating the need for intermediate electronic structure calculations, MBD-ML offers a practical and streamlined tool that simplifies the incorporation of state-of-the-art vdW interactions into any electronic structure code, as well as empirical and machine-learned force fields.
• Abstract（参考訳）: ヴァン・デル・ワールス(Van der Waals、vdW)相互作用は、医薬品の設計や触媒作用から電池への応用に至るまで、分子や物質を記述するのに不可欠である。 これらの雑表現相互作用は、機械学習力場にも正確に含めなければならない。 マルチボディ分散(MBD)法は、VdW相互作用を捉えるための最も正確かつ伝達可能な手法の1つであり、原子の$C_6$係数と入力としての偏光性しか必要としない。 我々は、これらの原子特性を直接原子構造から予測する事前訓練されたメッセージパッシングニューラルネットワークMBD-MLを提案する。 libMBDとのシームレスな統合により,MBDを包含する総エネルギー,力,応力テンソルの即時計算が可能となる。 中間電子構造計算を不要にすることで、MBD-MLは、あらゆる電子構造コードへの最先端のvdW相互作用の取り込みを単純化し、経験的および機械学習力場を提供する。

関連論文リスト

• Tokenizing Electron Cloud in Protein-Ligand Interaction Learning [51.74909649330779]
  ECBindは電子雲信号を量子化埋め込みにトークン化する方法である。 これは、原子レベルのモデルで完全に表現できないバインディングモードを明らかにするのに役立つ。 適用範囲を幅広いシナリオに広げるために,我々は知識蒸留を用いて電子クラウドに依存しない予測モデルを構築した。
  論文  参考訳（メタデータ） (2025-05-25T07:36:50Z)
• Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
  金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。 炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
  論文  参考訳（メタデータ） (2024-05-09T19:51:27Z)
• Knowledge Discovery from Atomic Structures using Feature Importances [0.0]
  原子構造の構成要素間の相互作用の分子レベルでの理解は、新しい材料の設計に不可欠である。 この必要性は、原子の数と種類、化学組成、化学相互作用の性格に関する基本的な知識以上のものとなる。 原子間相互作用に対処する別の方法は、予測的なDFTサロゲートを構築して分析する、解釈可能な機械学習アプローチを使用することである。
  論文  参考訳（メタデータ） (2023-02-28T11:54:10Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• 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)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• 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。