論文の概要: Reaction-Transformation-Aware Flow Matching for Generalizable Transition State Generation

• arxiv url: http://arxiv.org/abs/2608.14076v1
• Date: Fri, 14 Aug 2026 08:37:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.328289
• Title: Reaction-Transformation-Aware Flow Matching for Generalizable Transition State Generation
• Title（参考訳）: 一般化可能な遷移状態生成のための反応-変換-認識フローマッチング
• Abstract要約: 本稿では, 原子マップ化反応物-生成物対からの遷移状態生成を一般化するための反応変換対応フレームワークであるTransTSを紹介する。 TransTSは、反応終端間の原子レベルの構造変換を明示的に学習し、反応剤、TS、生成物の統一された原子配列の幾何学的表現と統合する。 挑戦的なGDB-10-rxnとGDB-17-rxn OODベンチマークに基づいて、TransTSは、より頻繁に検証されたサドル点に収束し、意図された基本反応を回復するTS候補を生成する。
• 参考スコア（独自算出の注目度）: 43.40536473237973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transition-state (TS) structures define the energetic barriers and mechanistic pathways of elementary chemical reactions, yet their identification remains computationally demanding because conventional saddle-point searches require expensive quantum-mechanical calculations. Recent machine-learning approaches have accelerated TS generation by predicting structures from reaction endpoint information, but they primarily learn geometric correspondence between endpoints and TSs, leaving the structural transformations underlying elementary reactions implicitly represented. To address this limitation, we introduce TransTS, a reaction-transformation-aware framework for generalizable TS generation from atom-mapped reactant-product pairs. TransTS explicitly learns atom-level structural transformations between reaction endpoints and integrates them with a unified atom-aligned geometric representation of reactants, TSs and products, enabling reaction-aware equivariant generation of TS geometries. TransTS is designed to provide reliable TS initial guesses for subsequent quantum-chemical refinement, where generated structures are evaluated not only by geometric similarity but also by their ability to converge to validated saddle points and recover the intended reaction pathways. Across IID and zero-shot OOD benchmarks, TransTS demonstrates improved TS initialization quality, with particularly strong generalization to unseen reaction distributions. On the challenging GDB-10-rxn and GDB-17-rxn OOD benchmarks, TransTS generates TS candidates that more frequently converge to validated saddle points and recover the intended elementary reactions after refinement than existing approaches under the same training regime. Scaling reaction coverage and model capacity further improves both geometric fidelity and refinement outcomes.
• Abstract（参考訳）: 遷移状態(TS)構造は、基本的な化学反応のエネルギー障壁と機械的経路を定義するが、従来のサドル点探索は高価な量子力学計算を必要とするため、それらの同定は計算的に要求される。 最近の機械学習手法は、反応終端情報から構造を予測することでTS生成を加速しているが、主に終端とTS間の幾何学的対応を学習し、基礎となる基本反応の構造変換を暗黙的に表現している。 この制限に対処するために、原子マップ化された反応物-生成物対からTS生成を一般化するための反応変換対応フレームワークであるTransTSを導入する。 TransTSは、反応終端間の原子レベルの構造変換を明示的に学習し、反応剤、TS、生成物の統一された原子配列の幾何学的表現と統合し、TSジオメトリの反応対応同変生成を可能にする。 TransTSは、幾何学的類似性だけでなく、検証されたサドル点に収束し、意図された反応経路を回復する能力によって生成された構造が評価される、その後の量子化学精製のための信頼性の高いTS初期推定を提供するように設計されている。 IIDおよびゼロショットOODベンチマーク全体で、TransTSはTSの初期化品質を改善し、特に目に見えない反応分布への強力な一般化を示す。 挑戦的なGDB-10-rxnとGDB-17-rxn OODベンチマークでは、TransTSはTS候補を生成し、検証されたサドル点に頻繁に収束し、同じトレーニング体制下で既存のアプローチよりも改良後の基本的な反応を回復する。 反応カバレッジのスケーリングとモデルキャパシティは、幾何学的忠実度と洗練された結果の両方をさらに改善する。

関連論文リスト

• 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)
• A Priori Sampling of Transition States with Guided Diffusion [14.221901684555233]
  本稿では,A Priori Smpling of TRAnsition States with Guided Diffusionを紹介する。 ASTRAは高い精度で遷移状態を見つけ、複数の反応経路を発見し、複雑な分子系の力学的研究を可能にする。
  論文  参考訳（メタデータ） (2026-03-26T23:44:48Z)
• Deep Delta Learning [91.75868893250662]
  本稿では,標準残差接続を一般化した新しいアーキテクチャであるDeep Delta Learning(DDL)を紹介する。 我々はこの演算子のスペクトル解析を行い、ゲート$(mathbfX)$がアイデンティティマッピング、投影、幾何反射のダイナミックな相互作用を可能にすることを示した。 この統合により、ネットワークは階層的な遷移作用素のスペクトルを明示的に制御することができ、複雑な非単調力学のモデリングを可能にする。
  論文  参考訳（メタデータ） (2026-01-01T18:11:38Z)
• Generating transition states of chemical reactions via distance-geometry-based flow matching [45.432950944168205]
  反応物および生成物からの遷移状態を予測するフローマッチングフレームワークTS-DFMを提案する。 ベンチマークデータセットTransition1Xでは、TS-DFMが従来の最先端メソッドであるReact-OTを30%上回っている。
  論文  参考訳（メタデータ） (2025-11-21T13:15:25Z)
• Flow matching for reaction pathway generation [1.8420084274819617]
  モルゲンは、ガウス前駆体を標的とする化学分布を輸送する最適な輸送経路を学習する条件付きフローマッチングフレームワークである。 TSDiffとOA-ReactDiffが使用しているベンチマークでは、MolGENはTSの幾何精度とバリアハイト予測を超越し、サンプリングを秒未満に削減している。 MolGENはまた、競合するトップkの精度でオープンな製品生成をサポートし、シーケンスモデルに共通する質量/電子バランス違反を避ける。
  論文  参考訳（メタデータ） (2025-07-14T17:54:47Z)
• Transferable Learning of Reaction Pathways from Geometric Priors [1.3170830344441016]
  MEPINは、反応物や製品からMEPを効率的に予測するスケーラブルな機械学習手法である。 本手法は,反応経路の効率的なデータ駆動予測による大規模化学反応空間の探索を可能にする。
  論文  参考訳（メタデータ） (2025-04-21T18:20:53Z)
• Strengthening Structural Inductive Biases by Pre-training to Perform Syntactic Transformations [75.14793516745374]
  中間学習によりトランスフォーマーの構造的帰納バイアスを強化することを提案する。 実験の結果,チャンキングなどの構文的タスクのわずかな学習に有効であることが確認された。 分析の結果,中間的事前学習は,どのトークンにシナティクス変換を適用する必要があるかを追尾する注意を喚起することが明らかとなった。
  論文  参考訳（メタデータ） (2024-07-05T14:29:44Z)
• React-OT: Optimal Transport for Generating Transition State in Chemical Reactions [45.99250641377074]
  反応物や生成物から一意な遷移状態構造を生成するための最適な輸送手法であるReact-OTを開発した。 Re React-OTは、0.053AAの中央構造根平均平方偏差(RMSD)と1.06 kcal/molの中央障壁誤差を持つ高度精度の高いTS構造を生成する。
  論文  参考訳（メタデータ） (2024-04-20T17:31:45Z)
• Accurate transition state generation with an object-aware equivariant elementary reaction diffusion model [9.878043289026731]
  遷移状態 (TS) 探索は反応機構の解明と反応ネットワークの探索に重要である。 そこで本研究では, 基本反応における構造の集合を生成するためのすべての物理対称性と制約を満たす, オブジェクト対応SE(3)同変拡散モデルを開発する。 反応物と生成物が与えられたこのモデルは、量子化学に基づく最適化を行うのに必要な時間ではなく、数秒でTS構造を生成する。
  論文  参考訳（メタデータ） (2023-04-12T22:21:36Z)

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。