論文の概要: Learning Inter-Graph Interactions Between Heterogeneous Substructures of Chemical Systems

• arxiv url: http://arxiv.org/abs/2610.27614v1
• Date: Tue, 20 Oct 2026 04:27:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.633066
• Title: Learning Inter-Graph Interactions Between Heterogeneous Substructures of Chemical Systems
• Title（参考訳）: 化学系の不均一構造間のグラフ間相互作用の学習
• Abstract要約: 本稿では,有機化合物と無機化合物のグラフ間相互作用を学習するための,複雑な化学系のデータ記述子とグラフニューラルネットワークを提案する。 ヘテロジニアスなグラフ間相互作用を学習することにより、1,682個のハイブリッド太陽電池材料のバンドギャップ予測における最先端の精度を実現した。
• 参考スコア（独自算出の注目度）: 12.775654644645961
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Complex chemical systems containing heterogeneous substructures are common in real-world applications. Various physical phenomena of the complex chemical systems are derived from the interactions between the heterogeneous substructures. However, existing graph representation learning methods for inter-graph interactions assumed graph-level interactions between homogeneous structures, such as organic molecules and inorganic crystalline materials. We propose a data descriptor of the complex chemical systems and a graph neural network for learning inter-graph interactions between organic and inorganic compounds. We applied the proposed method to predict the physical properties of hybrid solar cell materials containing heterogeneous substructures, which have received significant attention for sustainable energy resources. By learning heterogeneous inter-graph interactions, the proposed method achieved state-of-the-art accuracy in predicting band gaps of 1,682 hybrid solar cell materials.
• Abstract（参考訳）: 不均一なサブ構造を含む複雑な化学系は、実世界の応用では一般的である。 複雑な化学系の様々な物理現象は、不均一なサブ構造間の相互作用から導かれる。 しかし、グラフ間相互作用のための既存のグラフ表現学習法は、有機分子や無機結晶材料のような均質構造間のグラフレベルの相互作用を仮定した。 本稿では,複雑な化学系のデータ記述子と,有機化合物と無機化合物のグラフ間相互作用を学習するためのグラフニューラルネットワークを提案する。 提案手法を適用して, 持続可能なエネルギー資源に注目が集まっている不均一なサブ構造を含むハイブリッド太陽電池材料の物性を予測した。 ヘテロジニアスなグラフ間相互作用を学習することにより、1,682個のハイブリッド太陽電池材料のバンドギャップ予測における最先端の精度を実現した。

関連論文リスト

• Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning [103.788281428856]
  SciReasonerは、タンパク質、小さな分子、無機結晶をまたいだ自然構造推論のための科学基盤モデルである。 SciReasonerは座標、トポロジ、周期接続性を統一された構造対応語彙に識別する。 86のベンチマークで、SciReasonerは67のタスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-08T17:59:59Z)
• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• Evolution of multi-qubit correlations driven by mutual interactions [49.1574468325115]
  我々は$frac12$-spinsからなる量子系の相関テンソル要素の進化を分析する。 強い外部場が特定の相関特性に対して安定化因子を果たすことを示す。
  論文  参考訳（メタデータ） (2025-07-01T11:45:08Z)
• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  RAlignは、様々な有機反応関連タスクのための新しい化学反応表現学習モデルである。 反応物質と生成物との原子対応を統合することにより、反応中に起こる分子変換を識別する。 モデルが重要な機能群に集中できるように,反応中心認識型アテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• Decomposing heterogeneous dynamical systems with graph neural networks [0.0]
  観測可能な力学から相互作用規則と潜在不均一性を共同で学習するために、グラフニューラルネットワークがいかに簡単に設計できるかを示す。 本研究では, 相互作用粒子, ベクトル場, 信号ネットワークのシミュレーション実験により実験を行った。
  論文  参考訳（メタデータ） (2024-07-27T04:03:12Z)
• Heterogeneous Peridynamic Neural Operators: Discover Biotissue Constitutive Law and Microstructure From Digital Image Correlation Measurements [9.144081693464274]
  データ駆動型モデリングのためのヘテロPNO (HeteroPNO) アプローチを提案する。 我々のゴールは、不均一繊維配向場という形で、材料微細構造とともに非局所法則を学ぶことである。 その結果、ヘテロPNOアーキテクチャーは異方性ヘテロジニアス応答変形機構を持つ組織のモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2024-03-27T14:20:11Z)
• Exploiting Hierarchical Interactions for Protein Surface Learning [52.10066114039307]
  本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。 本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。 提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
  論文  参考訳（メタデータ） (2024-01-17T14:10:40Z)
• Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
  本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。 提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。 全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
  論文  参考訳（メタデータ） (2023-04-30T19:45:04Z)
• HydroNet: Benchmark Tasks for Preserving Intermolecular Interactions and Structural Motifs in Predictive and Generative Models for Molecular Data [0.6428755854483776]
  本稿では,化学問題に対する機械学習アプローチにおける分子間相互作用と構造的モチーフの保存に関する課題について述べる。 最近発表された495万個の水クラスターのデータセットを水素結合相互作用によって保持し、より長い範囲の構造パターンをもたらす。
  論文  参考訳（メタデータ） (2020-11-30T22:01:00Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。