論文の概要: Electron-Density-Informed Molecular Property Prediction Using Surrogate Functionals

• arxiv url: http://arxiv.org/abs/2610.13649v1
• Date: Fri, 09 Oct 2026 14:27:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.619637
• Title: Electron-Density-Informed Molecular Property Prediction Using Surrogate Functionals
• Title（参考訳）: 代理関数を用いた電子密度インフォームド分子特性予測
• Abstract要約: この研究は、もともと軌道自由密度汎関数理論のために開発された最近のサロゲート汎関数フレームワークを用いている。 モデルに入力として基底状態密度を渡すと、7つのQM9データセットの広範な特性のうち6つが最先端性能を上回ることを示す。 また,QM40データセットから得られたより大きな分子への一般化も改善した。
• 参考スコア（独自算出の注目度）: 9.056572210505964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning methods are increasingly used to predict chemical properties directly from the molecular structure to bypass the often prohibitive cost of quantum mechanical calculations. Recent work has shown that including the ground-state electron density as input to the machine learning model can improve accuracy in this setting. This work employs the recent surrogate functional framework originally developed for orbital-free density functional theory and extends it to predicting molecular properties. We show that passing the ground-state density as input to the model, while simultaneously enforcing it to be the minimum of the surrogate functional, surpasses state-of-the-art performance for six out of seven extensive properties of the QM9 dataset. Additionally, the approach shows improved generalization to larger molecules taken from the QM40 dataset. On all extensive properties of both datasets, our approach outperforms models that are informed by the ground-state density but do not enforce the surrogate functional constraints.
• Abstract（参考訳）: 機械学習の手法は、分子構造から直接化学的性質を予測し、しばしば禁止される量子力学計算のコストを回避するために使われる。 近年の研究では、機械学習モデルへの入力として基底状態の電子密度を含めることで、この設定における精度を向上させることが示されている。 この研究は、もともと軌道自由密度汎関数理論のために開発され、分子特性を予測するために拡張された最近のサロゲート汎関数フレームワークを用いている。 モデルへの入力として基底状態密度を通過させると同時に、サロゲート関数の最小化を図りながら、QM9データセットの7つの広範な特性のうち6つの最先端性能を上回ることを示す。 さらに、このアプローチは、QM40データセットから得られるより大きな分子への一般化の改善を示す。 両データセットのすべての広範な特性について,本手法は基底状態密度によって伝達されるが,機能的制約を強制しないモデルより優れている。

関連論文リスト

• Protein Language Model Embeddings Improve Generalization of Implicit Transfer Operators [10.025462072265706]
  分子動力学のための暗黙的伝達演算子のデータ効率と一般化を,補助的な情報源を組み込むことで向上できることを示す。 我々のアプローチであるPLaTITOは、非分布タンパク質系の平衡サンプリングベンチマークにおける最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-02-11T09:26:12Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• 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)
• Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
  金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。 炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
  論文  参考訳（メタデータ） (2024-05-09T19:51:27Z)
• Accurate machine learning force fields via experimental and simulation data fusion [0.0]
  機械学習(ML)ベースの力場は、量子レベルの精度で古典的原子間ポテンシャルのスケールにまたがる能力のために、ますます関心が高まりつつある。 ここでは、密度汎関数理論(DFT)計算と実験的に測定された力学特性と格子パラメータの両方を活用して、チタンのMLポテンシャルを訓練する。 融合したデータ学習戦略は、全ての対象目標を同時に満たすことができ、結果として、単一のソースデータで訓練されたモデルと比較して高い精度の分子モデルが得られることを実証する。
  論文  参考訳（メタデータ） (2023-08-17T18:22:19Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• 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)

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。