論文の概要: ChemFusion: A Multimodal Cross-Attention Network for Reaction Yield Prediction

• arxiv url: http://arxiv.org/abs/2607.17033v1
• Date: Sun, 19 Jul 2026 02:31:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.341073
• Title: ChemFusion: A Multimodal Cross-Attention Network for Reaction Yield Prediction
• Title（参考訳）: ChemFusion: 反応収率予測のためのマルチモーダルクロスアテンションネットワーク
• Authors: Qiwei Han, Chi Zhou,
• Abstract要約: 我々は、従来の電子的特徴を明示的な3次元原子座標で融合するハイブリッドニューラルネットワークであるChemFusionを紹介する。 多様なクロスカップリングライブラリに対してベンチマークを行うと、このアプローチは例外的な予測性能を提供する。 これは物理的に接地された解釈可能性を提供し、空間的に認識されたネットワークが複雑な反応ステリクスをナビゲートできることを実証する。
• 参考スコア（独自算出の注目度）: 0.8092815324198175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting the outcomes of transition-metal-catalyzed reactions is notoriously complex due to the interplay of diverse physical and chemical variables. A persistent computational bottleneck has been effectively merging broad electronic descriptors with the localized, three-dimensional geometry of the reactive site. To bridge this representation gap, we present ChemFusion, a hybrid neural network that fuses conventional electronic features with explicit 3D atomic coordinates. Using a cross-attention mechanism, the model enables global electronic states to dynamically attend to specific spatial constraints within un-pooled molecular point clouds. When benchmarked against a diverse library of cross-couplings, this approach delivers exceptional predictive performance, decisively surpassing traditional single-modality frameworks. Importantly, extracting the attention matrices reveals that the architecture autonomously learns to identify and penalize restrictive steric hindrances. This provides a physically grounded interpretability, demonstrating that spatially aware networks can navigate complex reaction sterics that standard statistical models typically miss.
• Abstract（参考訳）: 遷移金属触媒反応の結果を予測することは、様々な物理的および化学的変数の相互作用のため、非常に複雑である。 永続的な計算ボトルネックは、広い電子ディスクリプタと反応部位の局所的な3次元幾何学とを効果的に融合させてきた。 この表現ギャップを埋めるために,従来の電子的特徴を明示的な3次元原子座標で融合するハイブリッドニューラルネットワークであるChemFusionを提案する。 このモデルでは、クロスアテンション機構を用いることで、大域的な電子状態が非プール分子点雲内の特定の空間的制約に動的に関与することを可能にする。 多様なクロスカップリングライブラリに対してベンチマークを行うと、このアプローチは例外的な予測性能を提供し、従来の単一モダリティフレームワークを決定的に上回る。 重要なことは、注意行列を抽出することで、アーキテクチャが自律的に制限的な立体的障害を識別し、罰するということを明らかにする。 これは物理的に接地された解釈可能性を提供し、空間的に認識されたネットワークが、標準統計モデルが通常見逃す複雑な反応ステリクスをナビゲートできることを実証する。

関連論文リスト

• Engineering quantum criticality and dynamics on an analog-digital simulator [26.76525389323686]
  我々は、中性原子配列シミュレータにおけるRydbergと超微細量子ビット間のコヒーレントマッピングを用いて、複雑な量子力学を設計し、探究する。 まず,Floquet駆動によるリング交換と粒子ホッピングの動的工学を実演する。 我々は閉ループ最適化を用いて、ロクサー・キベルソン型の非平衡臨界量子スピン液体を目標とする。
  論文  参考訳（メタデータ） (2026-02-20T19:00:00Z)
• Tokenizing Electron Cloud in Protein-Ligand Interaction Learning [51.74909649330779]
  ECBindは電子雲信号を量子化埋め込みにトークン化する方法である。 これは、原子レベルのモデルで完全に表現できないバインディングモードを明らかにするのに役立つ。 適用範囲を幅広いシナリオに広げるために,我々は知識蒸留を用いて電子クラウドに依存しない予測モデルを構築した。
  論文  参考訳（メタデータ） (2025-05-25T07:36:50Z)
• KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
  本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。 そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。 この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T13:58:29Z)
• AlphaNet: Scaling Up Local-frame-based Atomistic Interatomic Potential [24.9325296129376]
  原子間相互作用の計算効率と予測精度を同時に向上する局所等フレームモデルであるAlphaNetを提案する。 AlphaNetは、表現能力が向上した原子環境をエンコードし、精度と力の予測の最先端を達成する。
  論文  参考訳（メタデータ） (2025-01-13T09:28:47Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Physics-inspired Equivariant Descriptors of Non-bonded Interactions [0.0]
  本稿では,多種多様なLR相互作用を一貫した方法で処理できる長距離同変(LODE)フレームワークの拡張について述べる。 我々は、よりシンプルで効率的な実装を可能にするマルチポール拡張を用いて、これらを直接物理的に解釈する。
  論文  参考訳（メタデータ） (2023-08-25T07:04:16Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Neural-network solutions to stochastic reaction networks [7.021105583098606]
  本稿では,化学マスター方程式の解法として,変分自己回帰ネットワークを用いた機械学習手法を提案する。 提案手法は, 種数状態空間における結合確率分布の時間的変化を追跡する。 遺伝的トグルスイッチと初期生命自己複製器において、時間とともに確率分布を正確に生成することを示した。
  論文  参考訳（メタデータ） (2022-09-29T07:27:59Z)
• Imaginary components of out-of-time correlators and information scrambling for navigating the learning landscape of a quantum machine learning model [0.0]
  我々は、時間外相関器の未探索の虚構成分が、グラフニューラルネットワークの情報スクランブル能力に関する前例のない洞察を与えることができることを分析的に説明する。 このような分析は、量子情報がそのようなネットワークを介してどのようにスクランブルされるかを明らかにすることによって、量子機械学習モデルのトレーニングをデミステレーションする。
  論文  参考訳（メタデータ） (2022-08-29T06:17:28Z)
• 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。