論文の概要: ConSolv: Solvent-Conditional Machine Learning Implicit Solvent Potential
- arxiv url: http://arxiv.org/abs/2606.24983v1
- Date: Tue, 23 Jun 2026 13:59:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.080668
- Title: ConSolv: Solvent-Conditional Machine Learning Implicit Solvent Potential
- Title（参考訳）: ConSolv: ソリューション・コンディショナル・機械学習によるインシデント・ソリューションの可能性
- Authors: Linying Zhang, Julija Zavadlav,
- Abstract要約: 溶質相互作用に溶媒効果を明示的に組み込んだ溶媒条件アーキテクチャであるConSolvについて述べる。
実験的な溶媒自由エネルギーデータとab initioデータを組み合わせることで、66の有機溶媒間で伝達可能な単一の暗黙の溶媒を訓練する。
このモデルは、クロロホルム中の$$$-フルオロヒドリン分子の実験核磁気共鳴(NMR)データと密に一致している。
- 参考スコア（独自算出の注目度）: 0.5010100394227908
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Implicit solvent machine learning potentials (MLPs) offer a powerful route to bridging the gap between accuracy and efficiency in molecular simulations. However, existing models have largely focused on aqueous environments, overlooking the diverse and important roles of non-aqueous solvents in areas such as organic synthesis and battery technology. Here, we present ConSolv, a solvent-conditional MLP architecture that explicitly incorporates solvent effects on solute interactions through an attention-based solvent-embedding block. By combining experimental solvation free energy data with ab initio data, we train a single implicit solvent MLP that is transferable across 66 common organic solvents. ConSolv outperforms classical explicit solvent methods and selected ab initio implicit solvent approaches across multiple solvation free energy benchmarks, and demonstrates generalization to unseen solvents. Beyond solvation free energies, the model shows close agreement with experimental nuclear magnetic resonance (NMR) data for $γ$-fluorohydrin molecules in chloroform. ConSolv's architecture is readily extensible to broader chemical spaces and alternative training strategies, while its attention-based design supports explainable artificial intelligence (AI) analysis that can help elucidate complex, solvent-dependent molecular interactions.
- Abstract（参考訳）: インプリシト溶媒機械学習ポテンシャル(MLP)は、分子シミュレーションにおける精度と効率のギャップを埋める強力な経路を提供する。
しかし、既存のモデルは、有機合成や電池技術といった分野における非水性溶媒の多様性と重要な役割を見越して、水環境に重点を置いている。
本稿では,ConSolvについて述べる。ConSolvは溶質相互作用に対する溶媒効果を,注目型溶剤埋め込みブロックを通じて明示的に組み込んだ,溶媒条件MLPアーキテクチャである。
実験的な溶媒自由エネルギーデータとab initioデータを組み合わせることで、66の有機溶媒間で伝達可能な単一の暗黙の溶媒MLPを訓練する。
ConSolvは古典的な露光溶媒法より優れており、複数の溶媒自由エネルギーベンチマークにまたがるアブイニシアト溶媒のアプローチが選択されており、目に見えない溶媒への一般化を実証している。
解離自由エネルギー以外にも、このモデルはクロロホルム中の$γ$-フルオロヒドリン分子の実験核磁気共鳴(NMR)データと密に一致している。
ConSolvのアーキテクチャは、より広い化学空間や代替の訓練戦略に容易に拡張可能であり、注意に基づく設計は、複雑な溶媒依存の分子相互作用の解明に役立つ説明可能な人工知能(AI)分析をサポートする。
関連論文リスト
- Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space [54.13671100638092]
Holistic Physics Mixer (HPM) は、スペクトルと物理情報を統一された空間に統合するためのフレームワークである。
我々はHPMが精度と計算効率の両面で最先端の手法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2024-10-15T08:19:39Z) - Predicting solvation free energies with an implicit solvent machine learning potential [0.0]
本稿では,小さな有機分子に対する暗黙の溶媒MLポテンシャルをパラメータ化するために,Solvation Free Energy Path Reweighting (ReSolv) フレームワークを導入する。
トップダウン(実験的な水和自由エネルギーデータ)とボトムアップ(真空中の分子の初期データ)の学習の組み合わせにより、ReSolvは明示的なバルク溶媒中の分子の難解なアブ初期データの必要性を回避した。
明示的な溶媒MLポテンシャルと比較して、ReSolvは4桁の計算スピードアップを提供し、実験と密接に一致している。
論文 参考訳（メタデータ） (2024-05-31T20:28:08Z) - Unisolver: PDE-Conditional Transformers Towards Universal Neural PDE Solvers [53.79279286773326]
我々は、多様なデータに基づいて訓練され、多様なPDEで条件付けされた新しいトランスフォーマーモデルUnisolverを提案する。
Unisolverは3つの挑戦的な大規模ベンチマークで一貫した最先端を実現し、優れたパフォーマンスと一般化性を示している。
論文 参考訳（メタデータ） (2024-05-27T15:34:35Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳（メタデータ） (2022-02-07T17:47:46Z) - Graphical Gaussian Process Regression Model for Aqueous Solvation Free
Energy Prediction of Organic Molecules in Redox Flow Battery [2.7919873713279033]
本稿では,有機分子の溶解自由エネルギーを学習し,予測する機械学習モデルを提案する。
我々は,MLモデルを用いて,分子の解離自由エネルギーを1kcal/mol未満の平均絶対誤差で化学的精度で予測できることを実証した。
論文 参考訳（メタデータ） (2021-06-15T13:48:26Z) - Machine Learning Implicit Solvation for Molecular Dynamics [0.0]
平均力の暗黙の溶媒ポテンシャルをモデル化するために,グラフニューラルネットワークであるボルネットを導入した。
この手法の成功は、溶媒効果の正確なモデリングに機械学習手法を適用することの潜在的利点を示すものである。
論文 参考訳（メタデータ） (2021-06-14T15:21:45Z) - 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) - Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。
QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。
QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-03T18:51:18Z)
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。