論文の概要: QT-Net: Rethinking Evaluation of AI Models in Atomic Chemical Space

• arxiv url: http://arxiv.org/abs/2605.10458v1
• Date: Mon, 11 May 2026 12:29:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.804873
• Title: QT-Net: Rethinking Evaluation of AI Models in Atomic Chemical Space
• Title（参考訳）: QT-Net: 原子化学空間におけるAIモデルの評価の再考
• Authors: Pablo Martínez Crespo, Stefano Ribes, Martin Rahm, Richard Beckmann, Robert S. Jordan, Marisa Gliege, Santiago Miret, Vijay Kris Narasimhan, Rocío Mercado,
• Abstract要約: 量子トポロジカルニューラルネットワーク(Quantum Topological Neural Network, QT-Net)は、回転的に拡張された非同変グラフニューラルネットワークである。 QT-Netは、トレーニングセット外のQM9から分子中の原子の性質を推測するために使用できることを示す。 我々はQT-NetのJAX実装を含むすべてのコードとデータをリリースし、原子スケールの分子機械学習のための誘導バイアスとして学習されたQTAプロパティの幅広い利用を支援する。
• 参考スコア（独自算出の注目度）: 5.76402440170162
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Atomic properties such as partial charges or multipoles encode chemically meaningful information that can inform downstream molecular property prediction, but their evaluation as machine learning targets has been complicated by the absence of a principled out-of-distribution evaluation protocol at the atomic level. In this work, we propose a held-out evaluation protocol that clusters atomic environments by SOAP descriptors and computes metrics accounting only for cluster labels unseen during training. Following this procedure, we use 5$\times$5 cross-validation and Tukey's HSD to run a statistically rigorous comparison of E(3)-equivariant against non-equivariant, rotationally augmented models for predicting electron populations and multipoles of H, C, N, and O atoms. Building on our results, we introduce the Quantum Topological Neural Network (QT-Net), a rotationally augmented, non-equivariant graph neural network. We show that QT-Net can be used to infer properties of atoms in molecules from QM9 outside our training set, and that these inferred properties can yield improvement when used as input features for downstream molecular property prediction. To further validate the framework, molecular dipole moments computed from QT-Net's per-atom outputs recover the ground-truth values reported in QM9. We release all code and data, including a JAX implementation of QT-Net, to support the broader use of learned QTA properties as inductive biases for atomic-scale molecular machine learning.
• Abstract（参考訳）: 部分電荷や多極子などの原子特性は、下流の分子特性予測を知らせる化学的に有意義な情報を符号化するが、原子レベルでの分配評価プロトコルが存在しないため、機械学習ターゲットとしてのそれらの評価は複雑である。 本稿では,SOAPディスクリプタによる原子環境のクラスタ化と,トレーニング中に見つからないクラスタラベルのみを考慮したメトリクスの計算を行う,ホールドアウト評価プロトコルを提案する。 この手順の後、我々は5$\times$5のクロスバリデーションとTukeyのHSDを用いて、H, C, N, O原子の電子集団と多極体を予測するために、E(3)-同変の非同変で回転的に拡張されたモデルに対して統計的に厳密な比較を行う。 この結果に基づいて、回転的に拡張された非同変グラフニューラルネットワークである量子トポロジカルニューラルネットワーク(QT-Net)を導入する。 トレーニングセット外のQM9から分子中の原子の性質を推測するためにQT-Netを用いることができ、これらの特性は下流の分子特性予測の入力特性として用いると改善できることを示す。 フレームワークをさらに検証するため、QT-Netの原子単位の出力から計算された分子双極子モーメントは、QM9で報告された基底構造値を回復する。 我々はQT-NetのJAX実装を含むすべてのコードとデータをリリースし、原子スケールの分子機械学習のための誘導バイアスとして学習されたQTAプロパティの幅広い利用を支援する。

関連論文リスト

• Data Efficient Prediction of excited-state properties using Quantum Neural Networks [4.7436936193373604]
  分子基底状態から励起状態特性を予測する量子機械学習モデルを提案する。 このモデルは、対称性不変の量子ニューラルネットワークと、従来のニューラルネットワークとから構成される。 わずかなトレーニングデータポイントだけで正確な予測を提供することができる。
  論文  参考訳（メタデータ） (2024-12-12T16:30:23Z)
• Analysis of Atom-level pretraining with Quantum Mechanics (QM) data for Graph Neural Networks Molecular property models [0.0]
  量子力学(QM)データを用いた原子レベルの事前トレーニングは、トレーニングデータとテストデータ間の分布類似性に関する仮定違反を軽減することができることを示す。 隠れ状態の分子表現を解析し、QMデータに対する分子レベルと原子レベルの事前学習の効果を比較するのは、これが初めてである。
  論文  参考訳（メタデータ） (2024-05-23T17:51:05Z)
• Universal neural network potentials as descriptors: Towards scalable chemical property prediction using quantum and classical computers [0.0]
  本稿では,化学特性予測のための汎用記述子として,普遍的ニューラルネットワークポテンシャルの中間情報を利用する汎用的アプローチを提案する。 本稿では,M3GNet や MACE などのグラフニューラルネットワークを用いた伝達学習が,NMR の化学シフトを予測するための最先端手法に匹敵する精度を実現することを示す。
  論文  参考訳（メタデータ） (2024-02-28T15:57:22Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features [42.96944345045462]
  textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。 薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
  論文  参考訳（メタデータ） (2020-07-15T22:38:41Z)

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。