論文の概要: Manifold Diffusion for Structure Generation of Transition Metal Complexes

• arxiv url: http://arxiv.org/abs/2606.00666v1
• Date: Sat, 30 May 2026 10:47:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.581985
• Title: Manifold Diffusion for Structure Generation of Transition Metal Complexes
• Title（参考訳）: 遷移金属錯体の構造生成のためのマニフォールド拡散
• Abstract要約: 遷移金属錯体のジオメトリを効率的に生成する多様体拡散機械学習モデルを提案する。 この結果は,データ効率のよい幾何生成のための多様体ベース生成モデルの可能性を示す。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transition metal complexes are central to catalysis, drug design, and materials science, with relevant properties strongly sensitive to their three-dimensional geometry. However, the electronic diversity and unconventional bonding environments of transition metal complexes pose a major challenge for accurate structure generation. In this work, we introduce TMCgen, a manifold diffusion machine learning model that efficiently and accurately generates geometries of transition metal complexes. By formulating the diffusion process over the metal-ligand coordination angles, combined with torsional and rotational diffusion of the ligands, TMCgen focuses on the key geometric degrees of freedom of transition metal complexes. TMCgen shows strong performance in generating accurate coordination environments on a diverse set of experimentally derived bioinorganic and organometallic complexes while requiring only few inference steps, enabling efficient generation. Our results demonstrate the potential of manifold-based generative modeling for data-efficient geometry generation, paving the way for property-conditioned design of transition metal complexes.
• Abstract（参考訳）: 遷移金属錯体は触媒、薬物設計、材料科学の中心であり、その3次元幾何学に強く敏感である。 しかし、遷移金属錯体の電子的多様性と非伝統的な結合環境は、正確な構造生成に大きな課題をもたらす。 本研究では,遷移金属錯体のジオメトリを効率的にかつ正確に生成する多様体拡散機械学習モデルであるMCCgenを紹介する。 金属-配位角上の拡散過程を定式化し、リガンドのねじりと回転の拡散と組み合わせることで、MCCgenは遷移金属錯体の鍵となる幾何学的自由度に焦点を当てる。 TMCgenは、実験によって誘導された生体無機および有機金属錯体の様々な集合上で正確な調整環境を生成するのに強い性能を示すが、推論ステップはわずかであり、効率的な生成を可能にする。 本研究は, 遷移金属錯体の物性条件設計への道を開いたデータ効率幾何生成のための多様体生成モデルの可能性を示すものである。

関連論文リスト

• Machine Learning Enabled Graph Analysis of Particulate Composites: Application to Solid-state Battery Cathodes [9.342098489571326]
  微粒子複合材料は多くの固体化学・電気化学系の基盤となり、多相境界や粒子間結合といった微細構造がシステム性能に強く影響を及ぼす。 そこで我々は,多相粒子状複合材料の実験用マルチモーダルX線画像から,物理的洞察を抽出し,粒子レベルとネットワークレベルで局所的ミクロ構造・プロパティ関係を確立するためのスケーラブルなトポロジ対応グラフへの自動変換を実現する機械学習(ML)を実現するフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-12-18T02:00:22Z)
• DiffuMeta: Algebraic Language Models for Inverse Design of Metamaterials via Diffusion Transformers [0.6531893282486697]
  本稿では,拡散変換器と新しい代数的表現を融合した生成フレームワークであるDiffuMetaについて述べる。 このコンパクトで統一されたパラメータ化は様々なトポロジにまたがり、トランスフォーマーを構造設計に直接適用することができる。 本手法は, 学習領域を超えた線形および非線形応答を含む, 複数の機械的目的に対する同時制御を実現する。
  論文  参考訳（メタデータ） (2025-07-21T16:09:26Z)
• MOFGPT: Generative Design of Metal-Organic Frameworks using Language Models [5.417632175667162]
  応用固有の性質を持つ金属有機フレームワーク(MOF)は、材料化学における中心的な課題である。 我々はMOFのデノボ設計のための強化学習型トランスフォーマーベースのフレームワークを提案する。 特性フィードバックをシーケンス生成に統合することにより、このモデルを合成可能でトポロジカルに有効なMOFに向けて駆動する。
  論文  参考訳（メタデータ） (2025-05-30T20:09:11Z)
• Bridging Geometric States via Geometric Diffusion Bridge [79.60212414973002]
  本稿では,初期および対象の幾何状態を正確にブリッジする新しい生成モデリングフレームワークであるGeometric Diffusion Bridge (GDB)を紹介する。 GDBは、幾何学的状態の接続のためにDoobの$h$-transformの修正版から派生した同変拡散ブリッジを使用している。 我々はGDBが既存の最先端のアプローチを超越し、幾何学的状態を正確にブリッジするための新しい経路を開くことを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:59:53Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Many-body Expansion Based Machine Learning Models for Octahedral Transition Metal Complexes [0.0]
  我々はオクタ遷移金属錯体(TMCs)のスピン状態依存性特性の機械学習における自己相関の修正を提案する。 新しい戦略は多体展開(MBE)に基づいており、MBEの切り離し順序を変化させることで、捕捉された立体異性体情報を調整することができる。 この新しいアプローチには電子構造理論からの洞察が組み込まれているため、これらのモデルは同素体から異性体への体系的な一般化を示す。
  論文  参考訳（メタデータ） (2024-10-12T21:54:22Z)
• Transolver: A Fast Transformer Solver for PDEs on General Geometries [66.82060415622871]
  本稿では, 離散化された測地の背後に隠れた本質的な物理状態を学習するTransolverについて述べる。 スライスから符号化された物理認識トークンに注意を向けることで、Transovlerは複雑な物理的相関を効果的に捉えることができる。 Transolverは6つの標準ベンチマークで22%の相対的な利得で一貫した最先端を実現し、大規模産業シミュレーションでも優れている。
  論文  参考訳（メタデータ） (2024-02-04T06:37:38Z)
• Enhanced Sampling of Configuration and Path Space in a Generalized Ensemble by Shooting Point Exchange [71.49868712710743]
  長寿命状態間の遷移によって引き起こされる稀な事象をシミュレートする新しい手法を提案する。 このスキームは遷移経路サンプリングシミュレーションの効率を大幅に向上させる。 力学を歪ませることなく、分子過程の熱力学、動力学、反応座標に関する情報を得る。
  論文  参考訳（メタデータ） (2023-02-17T08:41:31Z)
• Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
  分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。 分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
  論文  参考訳（メタデータ） (2021-10-26T14:14:40Z)
• Deciphering Cryptic Behavior in Bimetallic Transition Metal Complexes with Machine Learning [0.856335408411906]
  我々は, 金属-金属結合の程度を予測するために, 330個の構造的特徴を持つヘテロビメタルのサブセット上で回帰モデルを訓練した。 我々の研究は、有理二金属設計の指針を提供し、形式比を含む特性は、ある期間から別の期間に転移可能であることを示唆している。
  論文  参考訳（メタデータ） (2021-07-29T19:01:56Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• 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)

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。