論文の概要: MolCryst-MLIPs: A Machine-Learned Interatomic Potentials Database for Molecular Crystals

• arxiv url: http://arxiv.org/abs/2604.13897v1
• Date: Wed, 15 Apr 2026 14:08:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.571558
• Title: MolCryst-MLIPs: A Machine-Learned Interatomic Potentials Database for Molecular Crystals
• Title（参考訳）: MolCryst-MLIPs:分子結晶のための機械学習型原子間ポテンシャルデータベース
• Authors: Adam Lahouari, Shen Ai, Jihye Han, Jillian Hoffstadt, Philipp Hoellmer, Charlotte Infante, Pulkita Jain, Sangram Kadam, Maya M. Martirossyan, Amara McCune, Hypatia Newton, Shlok J. Paul, Willmor Pena, Jonathan Raghoonanan, Sumon Sahu, Oliver Tan, Andrea Vergara, Jutta Rogal, Mark E. Tuckerman,
• Abstract要約: 機械学習型原子間ポテンシャル(MLIP)の分子結晶データベースMolCryst-MLIPについて述べる。 最初のリリースは、ベンザミド、ベンゾ酸、クマリン、デュレン、イソニコチナミド、ニアシナミド、ニコチナミド、ピラジナミド、レゾルシノールの9つの分子結晶系のための微調整MACEモデルを含む。 リリースされたモデルとデータセットは、検証されたMLIPのオープンデータベースとして成長し、異なる熱力学条件下で分子結晶多型をMDシミュレーションする準備が整った。
• 参考スコア（独自算出の注目度）: 0.059975999069143145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an open Molecular Crystal (MC) database of Machine-Learned Interatomic Potentials (MLIP) called MolCryst-MLIPs. The first release comprises fine-tuned MACE models for nine molecular crystal systems -- Benzamide, Benzoic acid, Coumarin, Durene, Isonicotinamide, Niacinamide, Nicotinamide, Pyrazinamide, and Resorcinol -- developed using the Automated Machine Learning Pipeline (AMLP), which streamlines the entire MLIP development workflow, from reference data generation to model training and validation, into a reproducible and user-friendly pipeline. Models are fine-tuned from the MACE-MH-1 foundation model (omol head), yielding a mean energy MAE of 0.141 kJ/mol/atom and a mean force MAE of 0.648 kJ/mol/Angstrom across all systems. Dynamical stability and structural integrity, as assessed through energy conservation, P2 orientational order parameters, and radial distribution functions, are evaluated using molecular dynamics simulations. The released models and datasets constitute a growing open database of validated MLIPs, ready for production MD simulations of molecular crystal polymorphism under different thermodynamic conditions.
• Abstract（参考訳）: 機械学習型原子間ポテンシャル(MLIP)のオープン分子結晶(MC)データベースMolCryst-MLIPを提案する。 最初のリリースでは、ベンザミド、ベンゾ酸、クマリン、デュレン、イソニコチナミド、ナイアシナミド、ニコチナミド、ピラジナミド、レゾルシノールの9つの分子結晶系のための微調整のMACEモデルが含まれており、MLIP開発ワークフロー全体を、参照データ生成からモデルトレーニング、バリデーションに至るまで、再現性とユーザフレンドリーなパイプラインに効率化する。 モデルは、MACE-MH-1基礎モデル(オールヘッド)から微調整され、平均エネルギーMAEは0.141 kJ/mol/atom、平均力MAEは0.648 kJ/mol/Angstromとなる。 分子動力学シミュレーションを用いて, エネルギー保存, P2配向秩序パラメータ, 放射分布関数の動的安定性と構造的整合性を評価する。 リリースされたモデルとデータセットは、検証されたMLIPのオープンデータベースとして成長し、異なる熱力学条件下で分子結晶多型をMDシミュレーションする準備が整った。

関連論文リスト

• PolyJarvis: LLM Agent for Autonomous Polymer MD Simulations [49.024137619510526]
  我々は,大規模な言語モデル(LLM)とRadonPyシミュレーションプラットフォームを結合するエージェントであるPolyJarvisを紹介する。 ポリマー名またはSMILES文字列が与えられた後、PolyJarvisはモノマーの構築、電荷割り当て、重合、力場パラメータ化、特性計算を自律的に実行する。 その結果, APS, PMMAの基準値の17～24%は0.1～4.8%, バルク変調率で, 密度予測は17～24%であった。
  論文  参考訳（メタデータ） (2026-04-02T21:43:35Z)
• 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)
• Automated Machine Learning Pipeline for Training and Analysis Using Large Language Models [0.0]
  データセット生成からモデル検証まで、ワークフロー全体を統一する自動機械学習パイプライン(AMLP)を導入します。 AMLPは、電子構造コードの選択、入力準備、出力変換を支援するために、大きな言語モデルエージェントを使用する。 アクリジンのポリモルフィックで検証され、基礎モデルの素直な微調整により、エネルギーの1.7 meV/原子と力の7.0 meV/AAの絶対誤差が達成される。
  論文  参考訳（メタデータ） (2025-09-25T22:05:20Z)
• SurGBSA: Learning Representations From Molecular Dynamics Simulations [5.910755265815443]
  薬物のような化合物やタンパク質の静的構造からの自己教師付き事前学習は、強力な学習された特徴表現を可能にする。 MDに基づく表現学習のための新しいモデリング手法として,SURrogate mmGBSAを提案する。 物理インフォームド・プレトレーニングの利点を初めて示し,140万以上の3次元軌跡の集合体上で代理MMGBSAモデルを訓練した。
  論文  参考訳（メタデータ） (2025-09-03T07:27:21Z)
• Machine Learning Workflow for Analysis of High-Dimensional Order Parameter Space: A Case Study of Polymer Crystallization from Molecular Dynamics Simulations [0.0]
  高分子中の結晶化経路の同定は分子シミュレーションに基づくデータを用いて現在行われている。 本研究では,結晶度を正確に定量化するための統合機械学習ワークフローを提案する。
  論文  参考訳（メタデータ） (2025-07-23T23:02:10Z)
• Generative Modeling of Molecular Dynamics Trajectories [12.255021091552441]
  データからMDの柔軟なマルチタスクサロゲートモデルを学ぶためのパラダイムとして,分子軌道の生成モデルを提案する。 このような生成モデルは,前方シミュレーションや遷移経路サンプリング,軌道上アップサンプリングといった多様なタスクに適応可能であることを示す。
  論文  参考訳（メタデータ） (2024-09-26T13:02:28Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Molecular Dipole Moment Learning via Rotationally Equivariant Gaussian Process Regression with Derivatives in Molecular-orbital-based Machine Learning [0.0]
  本研究は、分子軌道ベース機械学習(MOB-ML)の正確かつ伝達可能なアプローチを拡張した。 双極子モーメントの相関部の分子軌道ベース(MOB)対分解を適用する。 提案した問題設定,特徴設計,MLアルゴリズムは,高精度なモデルを提供する。
  論文  参考訳（メタデータ） (2022-05-31T02:42:50Z)
• 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)

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。