論文の概要: Tensor Channel Equivariant Graph Neural Networks for Molecular Polarizability Prediction

• arxiv url: http://arxiv.org/abs/2605.16891v1
• Date: Sat, 16 May 2026 09:07:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.221223
• Title: Tensor Channel Equivariant Graph Neural Networks for Molecular Polarizability Prediction
• Title（参考訳）: 分子偏光性予測のためのテンソルチャネル同変グラフニューラルネットワーク
• Authors: Jean Philip Filling, Daniel Franzen, Michael Wand,
• Abstract要約: 分子偏光性テンソルの直接予測のためのテンソルチャネル同変グラフニューラルネットワークを提案する。 効率的なPaiNNアーキテクチャに基づいて、明示的な対称階数2テンソルチャネルで隠れ表現を増強する。 我々のモデルは、幾何学的に動機付けられたテンソルベースを用いて、メッセージパッシングを通してテンソル構造を伝搬する。
• 参考スコア（独自算出の注目度）: 4.089404117494378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a tensor-channel equivariant graph neural network for direct prediction of molecular polarizability tensors. Building on the efficient PaiNN architecture, we augment the hidden representation with explicit symmetric rank-2 tensor channels aligned with the decomposition of polarizability into isotropic and anisotropic components. In contrast to approaches that construct tensor outputs only at readout, our model propagates tensor structure throughout message passing using geometrically motivated tensor bases. This yields a target-aligned architecture for tensor-valued molecular prediction. On optimized QM7-X geometries, the proposed model achieves lower full-tensor and anisotropic error than both a PaiNN-style readout baseline and a dielectric MACE baseline under matched training conditions and at nearly identical parameter count. In this controlled setting, it also outperforms MACE while remaining substantially faster at inference. Ablation studies show that the gain does not arise from increased capacity alone, but from the combination of explicit tensor propagation and a traceless target parameterization matched to the anisotropic part of the polarizability tensor. Among the tensor bases considered, the strongest results are obtained from interactions between learned directional features, indicating that these are particularly effective for modeling molecular polarizability. Rotational equivariance tests further confirm that all compared models are numerically equivariant, so the observed improvements are attributable to better learning of the target tensor itself. Overall, our results show that for structured tensor-valued targets, propagating target-aligned tensor features can outperform both readout-only tensor construction and a more general higher-order equivariant model in the present training setting.
• Abstract（参考訳）: 分子偏光性テンソルの直接予測のためのテンソルチャネル同変グラフニューラルネットワークを提案する。 効率的なPaiNNアーキテクチャに基づいて、偏光可能性の分解を等方性および異方性成分に整合させた明示対称ランク2テンソルチャネルで隠蔽表現を増強する。 テンソル出力をリードアウト時にのみ構成するアプローチとは対照的に,我々のモデルは幾何学的に動機付けられたテンソルベースを用いてメッセージパッシングを通してテンソル構造を伝搬する。 これにより、テンソル値の分子予測のためのターゲット整列アーキテクチャが得られる。 最適化されたQM7-Xジオメトリでは、トレーニング条件が一致し、ほぼ同じパラメータ数で、PaiNNスタイルの読み出しベースラインと誘電体MACEベースラインよりも低いフルテンソルと異方性誤差を実現する。 この制御された設定では、推論においてかなり高速でありながら、MACEよりも優れています。 アブレーション法による研究によると、ゲインはキャパシティのみから生じるのではなく、明示的なテンソル伝播と、偏光性テンソルの異方性部分と一致する無跡なターゲットパラメータ化の組み合わせから生じる。 検討したテンソル基底のうち, 学習方向特徴間の相互作用から最強の結果が得られ, 分子分極性のモデル化に特に有効であることが示唆された。 回転等分散試験は、全ての比較されたモデルが数値的に同変であることをさらに確認するので、観測された改善は、ターゲットテンソル自体のより良い学習に寄与する。 以上の結果から, 構造的テンソル値を持つターゲットに対して, ターゲット整列テンソル特徴の伝播は, リードアウトのみのテンソル構成と, より一般的な高次同変モデルの両方より優れていることがわかった。

関連論文リスト

• Rethinking Diffusion Models with Symmetries through Canonicalization with Applications to Molecular Graph Generation [56.361076943802594]
  CanonFlowは、挑戦的なGEOM-DRUGデータセット上で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-16T18:58:55Z)
• Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
  低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。 従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。 本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:05:37Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• TensorNet: Cartesian Tensor Representations for Efficient Learning of Molecular Potentials [4.169915659794567]
  我々は、革新的なO(3)等価メッセージパッシングニューラルネットワークアーキテクチャであるNetを紹介する。 テンソル原子埋め込みを用いることで、機能混合は行列積演算により単純化される。 ポテンシャルエネルギーと力の上のベクトルとテンソル分子量の正確な予測が可能である。
  論文  参考訳（メタデータ） (2023-06-10T16:41:18Z)
• A Nested Matrix-Tensor Model for Noisy Multi-view Clustering [5.132856740094742]
  次数3のスパイクされたランク1テンソルモデルを拡張するネスト行列テンソルモデルを提案する。 理論的結果から,提案手法の正確な精度を予測できることが示唆された。 本分析では, モデルパラメータによって, 予期せぬ非自明な相転移現象を呈する。
  論文  参考訳（メタデータ） (2023-05-31T16:13:46Z)
• Optimizing Orthogonalized Tensor Deflation via Random Tensor Theory [5.124256074746721]
  本稿では、ランダムノイズテンソルから相関成分を持つ低ランク信号テンソルを復元する問題に取り組む。 非直交成分はテンソルデフレレーション機構を変化させ、効率的に回復するのを防ぐことができる。 デフレレーション機構で導入されたパラメータを最適化することにより、効率的なテンソルデフレレーションアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-11T22:23:27Z)
• Error Analysis of Tensor-Train Cross Approximation [88.83467216606778]
  我々は, テンソル全体の精度保証を行う。 結果は数値実験により検証され、高次テンソルに対するクロス近似の有用性に重要な意味を持つ可能性がある。
  論文  参考訳（メタデータ） (2022-07-09T19:33:59Z)
• Edge-based Tensor prediction via graph neural networks [6.021787236982659]
  メッセージパッシングニューラルネットワーク(MPNN)は、分子や結晶の物理的特性を予測する上で、極めて高い効率と精度を示す。 現在、結晶のテンソル特性を直接予測するための一般的なMPNNフレームワークが欠如している。 本研究では, エッジベーステンソル予測グラフニューラルネットワーク(ETGNN)モデルを不変グラフニューラルネットワークに基づいて直接設計し, テンソルの予測を行う。
  論文  参考訳（メタデータ） (2022-01-15T06:43:15Z)
• Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation [105.33409035876691]
  本稿では,テンソル低ランクモデルに基づくマルチビュースペクトルクラスタリング(MVSC)の問題について検討する。 MVSCに適合する新しい構造テンソル低ランクノルムを設計する。 提案手法は最先端の手法よりもかなり優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T11:52:12Z)

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。