論文の概要: Solvating machine-learning interatomic potentials for solution-phase chemistry

• arxiv url: http://arxiv.org/abs/2610.17226v1
• Date: Mon, 12 Oct 2026 18:01:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 02:39:52.291745
• Title: Solvating machine-learning interatomic potentials for solution-phase chemistry
• Title（参考訳）: 溶液相化学における機械学習による原子間ポテンシャルの解法
• Abstract要約: 我々は、転送可能な暗黙の解法ポテンシャルであるAnySolvを紹介する。 既存のガス相ポテンシャルに対する溶媒依存エネルギーと強制補正を提供する。 179個の溶剤を供給しており、その中には訓練を欠席しているものも含まれる。
• 参考スコア（独自算出の注目度）: 5.541485330114692
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most machine-learning interatomic potentials (MLIPs) are trained on gas-phase data, which limits their use for chemistry in solution. Here, we introduce AnySolv, a transferable implicit solvation potential that provides solvent-dependent energy and force corrections to existing gas-phase potentials without retraining them. It is trained on 1.4 million solvation energies and forces computed with density functional theory (DFT) and SMD in 36 solvents, spanning charged, open-shell, and transition-state structures. Because solvents are represented by continuous physical descriptors, AnySolv supports 179 solvents, including those absent from training. On external benchmarks, AnySolv reproduces DFT-SMD solvation energies to 2-4 meV mean absolute error at more than three orders of magnitude lower cost, and it matches the accuracy of DFT-SMD against experimental solvation free energies. This enables screening of the mechanisms of 120 nucleophilic aromatic substitution reactions in six phases as well as molecular dynamics simulations that reproduce the experimentally observed solvent-dependent conformational preferences of alanine dipeptide. By providing transferable solvation corrections to existing MLIPs, AnySolv enables scalable simulations of solvent-dependent chemical reactivity and molecular dynamics.
• Abstract（参考訳）: ほとんどの機械学習原子間ポテンシャル(MLIP)は、溶液における化学の使用を制限するガス相データに基づいて訓練されている。 ここでは, 溶媒依存エネルギーと既存のガス相ポテンシャルに対する強制補正を, 再調整することなく提供する, 移動可能な暗黙解離ポテンシャルであるAnySolvを紹介する。 密度汎関数理論 (DFT) と SMD を36の溶媒で計算し、電荷、開殻、遷移状態構造に分散する。 溶媒は連続的な物理的記述子で表されるため、AnySolvはトレーニングを欠席した溶媒を含む179の溶媒をサポートしている。 外部ベンチマークでは、AnySolvはDFT-SMD溶解エネルギーを2-4 meV平均絶対誤差を3桁以上の低コストで再現し、実験的な溶解自由エネルギーとDFT-SMDの精度を一致させる。 これにより、6つの相における120個の求核芳香族置換反応の機構のスクリーニングや、実験的に観察された溶媒依存性のアラニンジペプチドの配座を再現する分子動力学シミュレーションが可能になる。 既存のMLIPに転移性溶媒補正を提供することにより、AnySolvは溶媒依存の化学反応性と分子動力学のスケーラブルなシミュレーションを可能にする。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• EnSol: an environment-aware graph neural network for molecular solubility prediction [44.499249024505794]
  本稿では,環境に配慮した分子溶解度予測フレームワークであるEnSolを紹介する。 独立したSolPropとLeedsのベンチマークデータセットでは、EnSolはそれぞれ0.876と0.601のSpearman相関を達成した。 これらの結果から,EnSolは種々の化学系における溶解度予測および溶媒選択を確実に行うことができることが示された。
  論文  参考訳（メタデータ） (2026-09-17T23:35:33Z)
• ConSolv: Solvent-Conditional Machine Learning Implicit Solvent Potential [0.5010100394227908]
  溶質相互作用に溶媒効果を明示的に組み込んだ溶媒条件アーキテクチャであるConSolvについて述べる。 実験的な溶媒自由エネルギーデータとab initioデータを組み合わせることで、66の有機溶媒間で伝達可能な単一の暗黙の溶媒を訓練する。 このモデルは、クロロホルム中の$$$-フルオロヒドリン分子の実験核磁気共鳴(NMR)データと密に一致している。
  論文  参考訳（メタデータ） (2026-06-23T13:59:13Z)
• An SO(3)-equivariant reciprocal-space neural potential for long-range interactions [84.08721947253646]
  長距離静電・分極相互作用は分子および凝縮相系において中心的な役割を果たす。 現代のSO(3)-同変神経ポテンシャルは、短距離化学において高い精度を達成するが、現実的な物質を管理する異方性、緩やかに崩壊する多極相関を表現できない。 ここでは、EquiEwaldについて紹介する。これは、EquiEwaldにインスパイアされた相互空間の定式化を、既約SO(3)-同変フレームワークに組み込む統合された神経間ポテンシャルである。
  論文  参考訳（メタデータ） (2026-03-19T01:16:11Z)
• Solvaformer: an SE(3)-equivariant graph transformer for small molecule solubility prediction [2.274456001127632]
  Solvaformer は、独立なSE(3)対称性を持つ複数の分子として解をモデル化する幾何学的なグラフ変換器である。 我々はSolvaformerに、量子力学データと実験的測定に基づいて訓練する交互バッチレギュレータを用いて、溶解度(log S)と溶解自由エネルギーの両方を予測するように訓練する。 Solvaformerは学習したモデルの中で最強の総合性能を達成し、DFT支援勾配ブースティングベースラインにアプローチする。
  論文  参考訳（メタデータ） (2025-11-12T22:12:12Z)
• Hessian QM9: A quantum chemistry database of molecular Hessians in implicit solvents [0.31457219084519]
  ヘシアン QM9 は平衡配置と数値ヘシアン行列の最初のデータベースである。 MLIPの損失関数にポテンシャルエネルギー表面の第2の導関数を組み込むことにより,全溶媒環境における振動周波数の予測が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-08-15T08:16:11Z)
• Predicting solvation free energies with an implicit solvent machine learning potential [0.0]
  本稿では,小さな有機分子に対する暗黙の溶媒MLポテンシャルをパラメータ化するために,Solvation Free Energy Path Reweighting (ReSolv) フレームワークを導入する。 トップダウン(実験的な水和自由エネルギーデータ)とボトムアップ(真空中の分子の初期データ)の学習の組み合わせにより、ReSolvは明示的なバルク溶媒中の分子の難解なアブ初期データの必要性を回避した。 明示的な溶媒MLポテンシャルと比較して、ReSolvは4桁の計算スピードアップを提供し、実験と密接に一致している。
  論文  参考訳（メタデータ） (2024-05-31T20:28:08Z)
• Orbital-Free Density Functional Theory with Continuous Normalizing Flows [54.710176363763296]
  軌道自由密度汎関数理論(OF-DFT)は、分子電子エネルギーを計算する別のアプローチを提供する。 我々のモデルは様々な化学系の電子密度を再現することに成功した。
  論文  参考訳（メタデータ） (2023-11-22T16:42:59Z)
• 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。