論文の概要: Ordered-to-disordered transfer learning with graph neural networks for formation-energy and HOMO-LUMO gap prediction in high-entropy perovskite oxides

• arxiv url: http://arxiv.org/abs/2607.29510v1
• Date: Fri, 31 Jul 2026 15:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.778062
• Title: Ordered-to-disordered transfer learning with graph neural networks for formation-energy and HOMO-LUMO gap prediction in high-entropy perovskite oxides
• Title（参考訳）: 高エントロピーペロブスカイト酸化物における生成エネルギーとHOMO-LUMOギャップ予測のためのグラフニューラルネットワークを用いた秩序-非秩序移動学習
• Abstract要約: HEPOにおける生成エネルギーとHOMO-LUMOギャップ予測のためのグラフニューラルネットワーク(GNN)を用いた秩序-秩序間移動学習について検討した。 CGCNN、GATGNN、ALIGNN、M3GNetの4つの代表型GNNモデルを評価し、構造表現の役割を理解する。 一方, HOMO-LUMOギャップ予測は, 局所化学環境に敏感なため, 移動性に制限があることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-entropy perovskite oxides (HEPOs) represent a chemically complex class of materials with promising functional properties, yet their vast compositional space and, chemical/structural disorder pose significant challenge for accurate property prediction. Graph neural networks (GNNs) enable rapid exploration of materials space but are often limited by the availability of representative training data. Here, we investigate ordered-to-disordered transfer learning using GNNs for formation-energy and HOMO-LUMO gap prediction in HEPOs by transferring knowledge learned from chemically ordered perovskites. Four representative GNN models, including CGCNN, GATGNN, ALIGNN and M3GNet are evaluated to understand the role of structural representations, spanning pairwise two-body and angular three-body interactions in transfer performance. We find strong property-dependent transfer behavior: formation-energy prediction transfers effectively to disordered HEPOs, whereas HOMO-LUMO gap prediction shows limited transferability due to its sensitivity to local chemical environments. Incorporating a small HEPO-specific training dataset substantially improves HOMO-LUMO gap prediction. Representation-level analysis using UMAP further highlights the importance of encoding three-body geometric information such as in ALIGNN for capturing complex structure-property relationships and improving transferability.
• Abstract（参考訳）: 高エントロピーのペロブスカイト酸化物(HEPOs)は、化学的に複雑な種類の材料であり、機能的特性は期待できるが、その広大な構成空間と化学的・構造的障害は、正確な特性予測に重大な課題をもたらす。 グラフニューラルネットワーク(GNN)は、材料空間の迅速な探索を可能にするが、代表的トレーニングデータの提供によって制限されることが多い。 本稿では, ケミカルオーダーペロブスカイトから学習した知識の伝達により, HEPOの生成エネルギーとHOMO-LUMOギャップ予測のためのGNNを用いた秩序-秩序間移動学習について検討する。 CGCNN, GATGNN, ALIGNN, M3GNetの4つの代表的GNNモデルを評価し, トランスファー性能における2体・角3体相互作用にまたがる構造表現の役割について検討した。 一方, HOMO-LUMOギャップ予測は, 局所化学環境に敏感なため, 移動性に制限があることを示す。 小さなHEPO固有のトレーニングデータセットを組み込むことで、HOMO-LUMOギャップの予測が大幅に向上する。 UMAPを用いた表現レベル解析は、複雑な構造-プロパティ関係を捕捉し、転送性を向上させるために、ALIGNNのような3体幾何学情報を符号化することの重要性をさらに強調する。

関連論文リスト

• An Additive MLP-GNN Framework for Characterizing Chemical and Structural Contributions to Aqueous Solubility [0.40105987447353786]
  水溶性は、早期の薬物発見の鍵となる性質である。 ほとんどの予測モデルは、物理化学的記述子と分子グラフ情報を単一の表現に統合する。 この2つの情報ソースをトレーニングを通じて分離する付加的なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-02T14:21:44Z)
• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• Geometric Multi-color Message Passing Graph Neural Networks for Blood-brain Barrier Permeability Prediction [1.488392495573075]
  本稿では,幾何学的多色メッセージパッシンググラフニューラルネットワーク(GMC-MPNN)を提案する。 本モデルは,血液脳関門透過性を規定する空間的関係と化学的文脈を捉えるために,原子タイプに基づく重み付きカラーサブグラフを構築した。
  論文  参考訳（メタデータ） (2025-07-25T03:38:46Z)
• Structure-Aware Compound-Protein Affinity Prediction via Graph Neural Network with Group Lasso Regularization [11.87029706744257]
  化合物タンパク質親和性を予測するためにグラフニューラルネットワーク(GNN)を実装したフレームワークを提案する。 我々は、グループラッソとスパースグループラッソカラー化正規化を用いて、構造認識損失関数を持つGNNを訓練する。 提案手法は,共通ノード情報と非共通ノード情報をスパースグループラッソに統合することにより,特性予測を改善した。
  論文  参考訳（メタデータ） (2025-07-04T06:12:18Z)
• Pushing the Limits of All-Atom Geometric Graph Neural Networks: Pre-Training, Scaling and Zero-Shot Transfer [15.302727191576784]
  全原子情報を持つ幾何学グラフニューラルネットワーク(Geom-GNN)は、原子論シミュレーションを変換した。 本研究では,Geom-GNNの自己教師付き事前学習,教師付き学習,教師なし学習環境におけるスケーリング行動について検討する。 我々は、全ての原子グラフの埋め込みが他の神経アーキテクチャと有機的に組み合わされ、表現力を高めることができることを示す。
  論文  参考訳（メタデータ） (2024-10-29T03:07:33Z)
• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)
• Universal neural network potentials as descriptors: Towards scalable chemical property prediction using quantum and classical computers [0.0]
  本稿では,化学特性予測のための汎用記述子として,普遍的ニューラルネットワークポテンシャルの中間情報を利用する汎用的アプローチを提案する。 本稿では,M3GNet や MACE などのグラフニューラルネットワークを用いた伝達学習が,NMR の化学シフトを予測するための最先端手法に匹敵する精度を実現することを示す。
  論文  参考訳（メタデータ） (2024-02-28T15:57:22Z)
• Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
  グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。 本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-15T13:52:15Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。