論文の概要: ED-DiT: Physics-Guided Diffusion Pretraining for Transferable Molecular Representations from Electron Density

• arxiv url: http://arxiv.org/abs/2608.03260v1
• Date: Tue, 04 Aug 2026 07:33:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.081819
• Title: ED-DiT: Physics-Guided Diffusion Pretraining for Transferable Molecular Representations from Electron Density
• Title（参考訳）: ED-DiT:電子密度から伝達可能な分子表現のための物理誘導拡散準備
• Abstract要約: 電子密度点雲上での自己教師付き事前学習のための物理誘導拡散変換器ED-DiTを提案する。 ED-DiTは拡散雑音レベルを越えて、破損した部分マスキングされた対数密度場を再構成することで再利用可能な表現を学習する。 6つのEDBenchタスクの実験では、ED-DiTは、特に限られた監督の下で、スクラッチからトレーニングされた同じアーキテクチャを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 14.29876606291099
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pretraining has shown strong potential for learning transferable representations, yet it remains underexplored for electron-density-based molecular learning. Electron density provides a continuous three-dimensional description of molecular electronic structure, capturing both local spatial patterns and global physical quantities. This raises a key question: can electron-density fields be used for self-supervised pretraining to learn a shared representation that transfers across diverse electronic-structure-related tasks? We propose ED-DiT, a physics-guided Diffusion Transformer for self-supervised pretraining on electron-density point clouds. ED-DiT learns reusable representations by reconstructing corrupted and partially masked log-density fields across diffusion noise levels. An electron-number consistency constraint is further introduced to preserve the total electronic mass. The pretrained encoder can be adapted to property prediction, open-/closed-shell classification, molecule-electron-density retrieval, and molecule-conditioned electron-density prediction. Experiments on six EDBench tasks show that ED-DiT consistently outperforms the same architecture trained from scratch, especially under limited supervision. For molecule-conditioned electron-density prediction, it reduces RMSE from 2.2474 to 1.3753 and surpasses the available baseline. With only 10% labels, it improves orbital energy prediction RMSE from 0.0293 to 0.0138. These results demonstrate the effectiveness of physics-guided electron-density pretraining for learning transferable molecular representations.
• Abstract（参考訳）: 事前学習は伝達可能な表現を学習する強力な可能性を示しているが、電子密度に基づく分子学習には未熟である。 電子密度は、局所的な空間パターンと大域的な物理量の両方を捉え、分子電子構造を連続的に3次元的に記述する。 電子密度場は、電子構造に関連した様々なタスクにまたがる共有表現を学ぶために、自己教師付き事前訓練に使用できるのか? 電子密度点雲上での自己教師付き事前学習のための物理誘導拡散変換器ED-DiTを提案する。 ED-DiTは拡散雑音レベルを越えて、破損した部分マスキングされた対数密度場を再構成することで再利用可能な表現を学習する。 さらに電子数整合性制約を導入し、全電子質量を保存する。 プリトレーニングされたエンコーダは、特性予測、オープン/クローズドシェル分類、分子-電子-密度検索、および分子条件の電子-密度予測に適応することができる。 6つのEDBenchタスクの実験では、ED-DiTは、特に限られた監督の下で、スクラッチからトレーニングされた同じアーキテクチャを一貫して上回っている。 分子条件の電子密度予測ではRMSEを2.2474から1.3753に減らし、利用可能なベースラインを超える。 10%のラベルしか持たず、軌道エネルギー予測のRMSEを0.0293から0.0138に改善する。 これらの結果は、移動可能な分子表現の学習における物理誘導電子密度事前学習の有効性を示す。

関連論文リスト

• Learning the Kohn-Sham map with neural operators for quasi-linear scaling density functional theory [57.90994363143731]
  コーン-シャム密度汎関数理論(DFT)は電子構造シミュレーションの基盤となる。 繰り返しの軌道対角化は立方体スケーリングをもたらし、量子計算を控えめなスケールに制限する。 我々は、コーン・シャムポテンシャルを対応する密度と非相互作用運動エネルギーに直接マッピングする軌道自由DFTの学習目標を開発する。
  論文  参考訳（メタデータ） (2026-08-24T23:05:42Z)
• Enhancing molecular dynamics with equivariant machine-learned densities [10.247839738079698]
  本稿では,機械学習電子構造に対する密度優先のアプローチであるDenSNetを紹介する。 我々は, エタノール, エタンチオール, レゾルシノールのDenSNetの有効性を検証した。 電子密度を中心的な学習量として再統計することは、大規模分子シミュレーションにおいて分光・電子観測可能物質の伝達可能な予測への実用的な道を開くことを示す。
  論文  参考訳（メタデータ） (2026-04-27T14:49:53Z)
• V2Rho-FNO: Fourier Neural Operator for Electronic Density Prediction [10.028886116912622]
  本稿では、外部電位から電子密度分布へのマッピングを直接学習するフーリエニューラル演算子(FNO)に基づく普遍的フレームワークを提案する。 我々の研究は、高速で正確で伝達可能な電子構造予測のための有望な経路として、ニューラル演算子学習を確立している。
  論文  参考訳（メタデータ） (2026-03-13T06:53:13Z)
• Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning [61.12861060232382]
  非平衡グリーン関数(NEGF)はナノスケールデバイスの量子輸送特性をシミュレートする強力な方法である。 本稿では,DFT+NEGFシミュレーションを現実的なシステムの次元や機能に近づけるための重要な(アルゴリズム的な)成果を要約する。
  論文  参考訳（メタデータ） (2026-02-03T12:01:39Z)
• OrbitAll: A Unified Quantum Mechanical Representation Deep Learning Framework for All Molecular Systems [64.69217059173184]
  OrbitAllは、幾何学および物理インフォームドディープラーニングフレームワークである。 任意の電荷、スピン、環境効果を持つ任意の分子系を表現し、処理することができる。 競合するAIモデルよりも10倍少ないトレーニングデータを使用して、化学精度を達成し、密度汎関数理論と比較して約103$ - 104$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-07-05T01:21:56Z)
• Tokenizing Electron Cloud in Protein-Ligand Interaction Learning [51.74909649330779]
  ECBindは電子雲信号を量子化埋め込みにトークン化する方法である。 これは、原子レベルのモデルで完全に表現できないバインディングモードを明らかにするのに役立つ。 適用範囲を幅広いシナリオに広げるために,我々は知識蒸留を用いて電子クラウドに依存しない予測モデルを構築した。
  論文  参考訳（メタデータ） (2025-05-25T07:36:50Z)
• EDBench: Large-Scale Electron Density Data for Molecular Modeling [24.86737047895369]
  電子密度(ED)$rho(r)$は、対話型多粒子系のすべての基底状態特性を決定する。 EDBenchは、電子規模の学習ベースの研究を促進するために設計されたEDの大規模で高品質なデータセットである。
  論文  参考訳（メタデータ） (2025-05-14T10:23:22Z)
• E3STO: Orbital Inspired SE(3)-Equivariant Molecular Representation for Electron Density Prediction [0.0]
  Slater-Type Orbitals (STO) からインスピレーションを得た新しいSE(3)-equivariantアーキテクチャを提案する。 我々のアプローチは、学習された軌道のような分子表現に代替的な機能形式を提供する。 分子電子密度のSOTA予測精度を他の分子動力学データよりも30～70%向上させることにより,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-10-08T15:20:33Z)
• Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
  ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。 本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-08T21:56:19Z)
• Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
  分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。 これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
  論文  参考訳（メタデータ） (2021-07-01T01:02:17Z)
• 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)
• Quantum deep field: data-driven wave function, electron density generation, and atomization energy prediction and extrapolation with machine learning [7.106986689736826]
  ディープニューラルネットワーク(DNN)は、コーン-シャム密度汎関数理論(KS-DFT)に基づいて計算された分子特性の予測に用いられている。 このレターでは、大規模データセット上で原子化エネルギーを学習することにより、教師なしだがエンドツーエンドの物理インフォームドモデリングで電子密度を提供する量子深度場(QDF)を提示する。
  論文  参考訳（メタデータ） (2020-11-16T13:15:16Z)

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。