論文の概要: It's All Connected: Topology-Aware Structural Graph Encoding Improves Performance on Polymer Prediction

• arxiv url: http://arxiv.org/abs/2605.10551v1
• Date: Mon, 11 May 2026 13:28:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.84898
• Title: It's All Connected: Topology-Aware Structural Graph Encoding Improves Performance on Polymer Prediction
• Title（参考訳）: トポロジを意識した構造グラフエンコーディングによる高分子の予測性能の向上
• Abstract要約: グラフニューラルネットワーク (GNN) は分子特性予測において強い結果を得たが、ポリマーは異なる課題を呈している。 ラベル付きデータセットは、高価な実験を必要とするため、小さく(通常は数百のポリマーの順に)少ない。 このギャップに対処する原理的なグラフ構成を提案する。
• 参考スコア（独自算出の注目度）: 2.1908196294783004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have achieved strong results in molecular property prediction, but polymers present distinct challenges: labeled datasets are scarce and small (typically in the order of hundreds of polymers) due to the need for expensive experimentation, and complex polymer chain distributions influence polymer properties. Established practice in polymer prediction represents polymers solely by graphs of their repeat units, discarding the chain-scale morphology that governs key properties such as the glass transition temperature ($T_g$). In this work, we propose a principled graph construction that addresses this gap. Given a polymer's molecular mass distribution (MMD), we sample representative chains from the Schulz-Zimm distribution and construct representative sets of large graphs encoding chain-scale topology directly, with atoms and bonds featurized using rich chemical descriptors. We further pretrain GNN encoders via masked graph modeling on 100,000 unlabeled PSMILES strings before fine-tuning on labeled data. On a dataset of 381 polymers (180 homopolymers and 201 copolymers), we show that graph construction and self-supervised pretraining are jointly necessary: without pretraining, the large graph method matches the repeat-unit baseline (28.40 K vs. 28.36 K RMSE); with pretraining, it achieves 24.76 K +/- 3.30 K, a 5.1% reduction in mean error over the pretrained repeat-unit baseline (26.08 K +/- 4.20 K, p < 0.001, 30 runs). An ablation removing chemical features degrades performance to 36.65 K, confirming both components are essential. Results are architecture-agnostic, holding for both GINE and GATv2 encoders.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は分子特性予測において強い成果を上げているが、高価な実験を必要とするためラベル付きデータセットは小さく(典型的には数百のポリマーの順序で)、複雑なポリマー鎖分布はポリマーの性質に影響を与える。 高分子予測において確立された実践は、ガラス転移温度(T_g$)のような重要な性質を支配するチェーンスケールのモルフォロジーを捨て、リピート単位のグラフのみでポリマーを表現している。 本研究では,このギャップに対処する原理的なグラフ構築を提案する。 ポリマーの分子質量分布 (MMD) が与えられたとき、シュルツ-ジンム分布から代表鎖をサンプリングし、リッチな化学記述子を用いて原子と結合でチェーンスケールのトポロジーを直接コードする大きなグラフの代表集合を構成する。 我々はさらに、ラベル付きデータを微調整する前に10万個の未ラベルPSMILES文字列のマスクグラフモデリングにより、GNNエンコーダを事前訓練する。 381ポリマー(180のホモポリマーと201の共重合体)のデータセットでは、グラフ構築と自己教師付き事前学習が共同で必要であることが示される: 事前訓練なしでは、大きなグラフ法は繰り返し単位ベースライン(28.40K vs. 28.36K RMSE)と一致し、事前訓練では24.76K +/-3.30K、事前訓練された繰り返し単位ベースライン(26.08K +/-4.20K, p < 0.001, 30ラン)の平均誤差が5.1%減少する。 化学的特徴を除去するアブレーションは性能を36.65Kに低下させ、両方の部品が必須であることを確認した。 GINEとGATv2エンコーダの両方を保持できる。

関連論文リスト

• MALOQ: Massively Accelerated Learning of Operators for Quantum Transport [71.9141151643915]
  MALOQは、少数の原子から100kの系の電子構造行列をトレーニングし、予測するために開発されたアプリケーションである。 分子ワイド分散フレームワークと比較して、エポック当たりの時間を30%以上削減する。 アルプススーパーコンピュータ上で3,000-12,000個の原子に対するスケーラブルなトレーニングと推論を実演する。
  論文  参考訳（メタデータ） (2026-06-27T13:34:52Z)
• Cardinality-Preserving Structured Sparse Graph Transformers for Molecular Property Prediction [1.1168121941015015]
  グラフ変換器**CardinalGraphFormer*は、Graphormerにインスパイアされた構造バイアスを組み込んだものだ。 CardinalGraphFormerは、完全にマッチした評価プロトコルの下で、評価された11タスクの平均パフォーマンスを改善する。 MoleculeNet、OGB、TDC ADMETタスクにまたがる11の公開ベンチマークのうち、統計的に有意な増加を実現している。
  論文  参考訳（メタデータ） (2026-02-02T15:05:46Z)
• PolySet: Restoring the Statistical Ensemble Nature of Polymers for Machine Learning [0.0]
  重合体を仮定したモル質量分布からサンプリングした鎖の有限重み付けアンサンブルとして表現するフレームワークであるPolySetを紹介する。 高分子物質の統計的性質を明確に認識することで、PolySetは将来の高分子機械学習のための物理的基盤を確立する。
  論文  参考訳（メタデータ） (2025-12-15T10:50:48Z)
• Chemistry Integrated Language Model using Hierarchical Molecular Representation for Polymer Informatics [0.0]
  機械学習は無機化合物や小さな分子の物質発見に変化をもたらしたが、ポリマーはこれらの方法にほとんどアクセスできないままである。 本稿では,化学サブ構造をトークンとしてエンコードするHAPPYとトランスフォーマーアーキテクチャ内の数値記述子を組み合わせたフレームワークCI-LLMを紹介する。 プロパティ予測では、De$3$BERTaはSMILESベースのモデルよりも3.5倍高速で精度が向上している。 逆設計では, GPTをベースとしたジェネレータは, ターゲット特性を有するポリマーを生成し, 100%の足場保持を実現し, マルチプロパティ最適化に成功した。
  論文  参考訳（メタデータ） (2025-12-06T05:07:11Z)
• SPECTRA: Spectral Target-Aware Graph Augmentation for Imbalanced Molecular Property Regression [45.62053904749856]
  SPECTRAはSpectral Target-Awareグラフ拡張フレームワークである。 スペクトル領域で現実的な分子グラフを生成する。 競合全体のMAEを維持しながら、関連するターゲット範囲のエラーを継続的に改善する。
  論文  参考訳（メタデータ） (2025-11-06T21:57:21Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Learning Repetition-Invariant Representations for Polymer Informatics [20.69618605630156]
  グラフ反復不変性(GRIN)は,グラフ表現における繰り返し単位の数に不変なポリマー表現を学習するための新しい手法である。 GRINはグラフベースの最大スパンニングツリーアライメントと繰り返しユニット拡張を統合し、構造的な一貫性を確保する。 ホモポリマーとコポリマーのベンチマークで最先端のベースラインを上回り、安定で反復不変な表現を学習し、目に見えない大きさのポリマー鎖に効果的に一般化する。
  論文  参考訳（メタデータ） (2025-05-15T22:05:40Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• MolGraph: a Python package for the implementation of molecular graphs and graph neural networks with TensorFlow and Keras [51.92255321684027]
  MolGraphは、分子機械学習(ML)のためのグラフニューラルネットワーク(GNN)パッケージである MolGraphは、分子ML問題を解決するためにGNNアルゴリズムに渡すことができる小さな分子グラフを生成するための化学モジュールを実装している。 GNNは分子識別に有用であり,クロマトグラフィー保持時間データの解釈性が向上した。
  論文  参考訳（メタデータ） (2022-08-21T18:37:41Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
  分子表現学習のための新しいフレームワークGROVERを提案する。 GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。 分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
  論文  参考訳（メタデータ） (2020-06-18T08:37:04Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

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。