論文の概要: Multimodal Molecular Representation Learning with Graph Neural Networks, Deep & Cross Networks, and SMILES Embeddings

• arxiv url: http://arxiv.org/abs/2607.05736v1
• Date: Tue, 07 Jul 2026 01:47:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.364917
• Title: Multimodal Molecular Representation Learning with Graph Neural Networks, Deep & Cross Networks, and SMILES Embeddings
• Title（参考訳）: グラフニューラルネットワーク,ディープ・アンド・クロスネットワーク,SMILES埋め込みを用いたマルチモーダル分子表現学習
• Abstract要約: 3次元空間幾何学(SchNet)、離散トポロジカル文法(SMILES via ChemBERTa)、明示的なマクロ的物理化学的記述子(Deep & Cross Network)の3つのモードを合成するパラメータ効率のよいTri-Branch Modular Fusion Networkを導入する。 100万未満のパラメータで操作すると、このアーキテクチャは決定的に準化学的精度の閾値を超え、厳密に制御された幾何学的基準に対して20.6%の削減をもたらす。
• 参考スコア（独自算出の注目度）: 2.9593641578445258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular property prediction often relies on isolated data modalities, where continuous 3D graph neural networks (GNNs) struggle to efficiently capture long-range topological dependencies and exact macroscopic heuristics. In this work, we introduce a parameter-efficient Tri-Branch Modular Fusion Neural Network that synthesizes three orthogonal modalities: 3D spatial geometry (SchNet), discrete topological grammar (SMILES via ChemBERTa), and explicit macroscopic physicochemical descriptors (Deep & Cross Network). By bypassing standard scalar readouts and employing a shared late-fusion architecture, the framework establishes a mathematically rigorous multimodal latent space that effectively resolves the arithmetic and oversmoothing limitations of local message passing. We evaluate the proposed architecture on the QM9 benchmark, targeting the extensive thermodynamic property of atomization energy at 0 K ($U_0^{\mathrm{atom}}$). Through systematic combinatorial ablation and latent bottleneck optimization ($d_e=64$), the tri-modal framework achieves a validation Mean Absolute Error (MAE) of 0.0207 eV. Operating with fewer than one million parameters, this architecture decisively surpasses the sub-chemical accuracy threshold and yields a substantial 20.6% error reduction over a strictly controlled geometric baseline. Ultimately, our findings demonstrate that integrating orthogonal macroscopic and topological data streams provides a synergistic, $\mathcal{O}(1)$ physical shortcut. This multimodal alignment offers a highly efficient alternative to brute-force parameter scaling, establishing a robust surrogate model for high-throughput virtual screening (HTVS) pipelines.
• Abstract（参考訳）: 分子特性予測は、しばしば孤立したデータモダリティに依存し、連続した3次元グラフニューラルネットワーク(GNN)は、長距離トポロジカルな依存関係と正確なマクロなヒューリスティックを効率的に捉えるのに苦労する。 本研究では、3次元空間幾何学(SchNet)、離散トポロジカル文法(SMILES via ChemBERTa)、明示的なマクロな物理化学的記述子(Deep & Cross Network)の3つの直交モードを合成するパラメータ効率のよいTri-Branch Modular Fusion Neural Networkを提案する。 標準的なスカラー読み込みをバイパスし、共有のレイトフュージョンアーキテクチャを採用することにより、局所メッセージパッシングの算術的および過度な制限を効果的に解決する数学的に厳密なマルチモーダル潜在空間を確立する。 提案したアーキテクチャをQM9ベンチマークで評価し、原子化エネルギーの広範な熱力学特性を0K(U_0^{\mathrm{atom}}$)とする。 システム的組合せアブレーションと潜在ボトルネック最適化(d_e=64$)により、この三モードフレームワークは0.0207 eVの平均絶対誤差(MAE)を検証できる。 100万未満のパラメータで運用されているこのアーキテクチャは、化学的精度の閾値を決定的に上回り、厳密に制御された幾何学的基準に対して20.6%の誤差削減をもたらす。 最終的に,直交マクロ・トポロジカルデータストリームの統合は相乗的,$\mathcal{O}(1)$物理的ショートカットを提供することを示した。 このマルチモーダルアライメントは、高スループット仮想スクリーニング(HTVS)パイプラインの堅牢なサロゲートモデルを確立することで、ブルートフォースパラメータスケーリングの極めて効率的な代替手段を提供する。

関連論文リスト

• Non-linear mechanical field reconstruction coupling recurrent neural networks with physics-informed graph neural networks [0.6978367196609415]
  局所応力場再構成の時間的側面と空間的側面を結合したLSTMGNNフレームワークを提案する。 線形ウォームアップによる相対重み付け戦略を導入し,データ駆動型再構成損失と離散発散型平衡ペナルティのバランスをとる。 このモデルは有限要素シミュレーションよりも3桁のスピードアップを達成し、累積誤差1.9%でトレーニング長の2倍の負荷列に一般化する。
  論文  参考訳（メタデータ） (2026-06-09T14:20:39Z)
• Accurate, full-dimensional computations of thousands of complex vibrational eigenstates with tree tensor network states [0.0]
  密度行列再正規化群(DMRG)と組み合わされたTTNSが振動・振動構造シミュレーションの強力なツールとして出現している。 本稿では,TTNS法が分子系に対する数千の固有状態の正確な実次元計算を実現する方法について論じる。
  論文  参考訳（メタデータ） (2026-05-01T18:03:22Z)
• Constructive Lyapunov Functions via Topology-Preserving Neural Networks [0.0]
  ONNは収束率、エッジ効率、計算複雑性の順序-最適性能を達成する。 3Mノードのセマンティックネットワークにおける実証的な検証は、ベースライン法よりも99.75%改善されている。 ORTSFをトランスに組み込むことで、14.7%のパープレキシティ低減と2.3の高速化を実現している。
  論文  参考訳（メタデータ） (2025-10-10T17:46:52Z)
• 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)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Deep learning for the design of non-Hermitian topolectrical circuits [8.960003862907877]
  深層学習における多層パーセプトロン(MLP)と畳み込みニューラルネットワーク(CNN)を用いたアルゴリズムを導入し,非エルミートハミルトニアンの固有値のゆらぎを予測する。 本研究は,学習データに基づく非エルミート系の大域的トポロジカル特性の抽出におけるディープラーニングネットワークの有効性を実証するものである。
  論文  参考訳（メタデータ） (2024-02-15T14:41:55Z)
• A quatum inspired neural network for geometric modeling [14.214656118952178]
  本稿では,MPSベースのメッセージパッシング戦略を提案する。 本手法は,多体関係を効果的にモデル化し,平均場近似を抑える。 これは幾何学的GNNに固有の標準メッセージパッシングおよびレイヤ集約モジュールをシームレスに置き換える。
  論文  参考訳（メタデータ） (2024-01-03T15:59:35Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• 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)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)

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。