Fugu-MT 論文翻訳(概要): ElemeNet: Multiscale Molecular Machine Learning with Uncertainty Quantification Across the Periodic Table

論文の概要: ElemeNet: Multiscale Molecular Machine Learning with Uncertainty Quantification Across the Periodic Table

arxiv url: http://arxiv.org/abs/2606.30961v1
Date: Mon, 29 Jun 2026 22:38:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-01 18:27:19.012341
Title: ElemeNet: Multiscale Molecular Machine Learning with Uncertainty Quantification Across the Periodic Table
Title（参考訳）: ElemeNet: 周期表全体にわたる不確実性量子化によるマルチスケール分子機械学習
Abstract要約: ElemeNetは分子機械学習のための統一的で汎用的なソフトウェアパッケージである。分子表現は1-100元素と互換性があり, 多様な有機金属系および生体系をサポートする。我々は,有機,無機,調整,生物化学の代表的なデータセットに対して,MLモデルトレーニングのためのプロトコルをベンチマークした。
参考スコア（独自算出の注目度）: 2.6643543039977318
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Advances in deep learning architectures and representations have enabled ML-driven chemical property prediction, but state-of-the-art (SOTA) models have remained largely confined to independent codebases and lack support for diverse chemical species. This work introduces ElemeNet, a unified, general-purpose software package for molecular machine learning. The ElemeNet software package enables the training of advanced ML models for diverse properties and datasets with an enlarged range of elemental compositions. We define molecular representations compatible with elements 1-100, supporting diverse organometallic and biological systems in addition to organic chemistry already well-served by the Chemprop ML toolkit. As well as more common atom-, bond-, and molecule-level predictions, we introduce moiety predictions. We also natively define optional conditioning on charge and spin states. Advanced E(3)-equivariant and transformer architectures are supported, as well as classical 2D models, with all classes including built-in uncertainty quantification through deterministic and statistical measures. We benchmark our protocols for ML model training against representative datasets from organic, inorganic, coordination, and biological chemistry, achieving competitive and SOTA performance relative to literature baselines and favorable scaling to millions of molecules. The entire workflow is exposed through a concise command-line interface, lowering the barrier to entry for non-expert users. We anticipate ElemeNet will empower non-computational researchers to leverage modern deep learning methods across the chemical and physical sciences.
Abstract（参考訳）: ディープラーニングアーキテクチャと表現の進歩により、ML駆動の化学特性予測が可能になったが、最先端のSOTA(State-of-the-art)モデルは、独立したコードベースに限られており、多様な化学種のサポートが欠如している。この研究は、分子機械学習のための統一的で汎用的なソフトウェアパッケージであるElemeNetを紹介している。 ElemeNetソフトウェアパッケージは、さまざまなプロパティとデータセットのための高度なMLモデルのトレーニングを可能にする。ケムプロップMLツールキットですでによく保存されている有機化学に加えて, 多様な有機金属系, 生体系をサポートする要素1-100との分子表現を定義した。より一般的な原子、結合、分子レベルの予測と同様に、モイエティ予測も導入する。また、電荷状態とスピン状態の任意の条件もネイティブに定義する。高度なE(3)-同変および変圧器アーキテクチャは古典的な2Dモデルと同様にサポートされており、決定論的および統計的測度による不確実性定量化を含むすべてのクラスが組み込まれている。我々は,有機,無機,調整,生物化学からの代表的データセットに対するMLモデルトレーニングのためのプロトコルをベンチマークし,文献ベースラインに対する競合性およびSOTA性能を達成し,数百万の分子に対して好適なスケーリングを行う。ワークフロー全体が簡潔なコマンドラインインターフェースを通じて公開され、専門家でないユーザの参入障壁を低くする。我々は、ElemeNetが非計算研究者に化学・物理科学全般にわたる最新の深層学習手法を活用できるようにすることを期待している。

関連論文リスト

GLACIER: A Multimodal Student-Teacher Foundation Model for Molecular Property Prediction [3.5765184795812384]
GLACIERは、分子グラフ、SMILES文字列、物理化学記述子を統合し、リッチな分子埋め込みを学ぶためのフレームワークである。 1)分子グラフのためのメッセージパスニューラルネットワーク,SMILES文字列のためのトランスフォーマーベースのエンコーダ,物理化学的記述子のための多層パーセプトロンの3つの段階からなる。 GLACIERは複雑な分子特性予測タスクにおいて高い予測性能と計算効率を実現する頑健なフレームワークであることを示す。
論文参考訳（メタデータ） (2026-06-09T19:05:58Z)
Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。 ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
論文参考訳（メタデータ） (2026-01-25T04:23:34Z)
Unveiling Latent Knowledge in Chemistry Language Models through Sparse Autoencoders [42.033443425253644]
我々はスパースオートエンコーダ技術を拡張して化学言語モデル内の解釈可能な特徴を明らかにし,検討する。以上の結果から,これらのモデルが化学概念の豊かな風景をエンコードしていることが判明した。我々のアプローチは、化学にフォーカスしたAIシステムにおける潜在知識を明らかにするための一般的なフレームワークを提供する。
論文参考訳（メタデータ） (2025-12-08T22:20:01Z)
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)
Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文参考訳（メタデータ） (2025-10-20T17:56:01Z)
MOFSimBench: Evaluating Universal Machine Learning Interatomic Potentials In Metal--Organic Framework Molecular Modeling [0.19506923346234722]
UMLIP(Universal Machine Learning Interatomic potentials)は、原子論シミュレーションを加速するための強力なツールとして登場した。ナノポーラス材料の主要材料モデリングタスクにおけるuMLIPの評価ベンチマークであるMOFSimBenchを紹介する。トップパフォーマンスのuMLIPは、古典的な力場や、あらゆるタスクにわたって微調整された機械学習能力より一貫して優れています。
論文参考訳（メタデータ） (2025-07-16T00:00:55Z)
Ensemble Knowledge Distillation for Machine Learning Interatomic Potentials [34.82692226532414]
機械学習の原子間ポテンシャル(MLIP)を改善するためのアンサンブル知識蒸留法(EKD)を提案する。まず、複数の教師モデルはQCエネルギーに訓練され、次にデータセットのすべての構成に対して原子力を生成する。次に、学生MLIPは、教師モデルによって生成されたQCエネルギーと平均的な力の両方に訓練される。得られた学生MLIPは、Compum6ベンチマークで新しい最先端の精度を達成し、分子動力学シミュレーションの安定性の向上を示す。
論文参考訳（メタデータ） (2025-03-18T14:32:51Z)
Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文参考訳（メタデータ） (2024-11-03T01:56:15Z)
Structure to Property: Chemical Element Embeddings and a Deep Learning Approach for Accurate Prediction of Chemical Properties [0.0]
化学分類タスクのためのelEmBERTモデルを提案する。これは多層エンコーダアーキテクチャのようなディープラーニング技術に基づいている。我々は, 有機, 無機, 結晶化合物の集合に対して, アプローチがもたらす機会を実証する。
論文参考訳（メタデータ） (2023-09-17T19:41:32Z)
Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文参考訳（メタデータ） (2023-02-04T01:32:40Z)
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)
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)
A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文参考訳（メタデータ） (2021-02-04T03:11:00Z)

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。