論文の概要: Radial Kernel Attention for Global Feature Exchange in Polymer Machine Learning Force Fields

• arxiv url: http://arxiv.org/abs/2610.41675v2
• Date: Mon, 02 Nov 2026 08:07:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 02:41:45.026686
• Title: Radial Kernel Attention for Global Feature Exchange in Polymer Machine Learning Force Fields
• Title（参考訳）: 高分子機械学習力場における大域的特徴交換のためのラジアルカーネルの注意
• Abstract要約: 高分子機械学習力場における長距離モデリングのためのRKA(Radial Kernel Attention)を提案する。 RKAは、クラスタセントロイドから学習したラジアル特徴に原子間距離をマッピングし、カーネル化されたオーバーラップとコンテンツ依存のクエリとキーを組み合わせる。 OPoly26トレーニングセットを12エポックでトレーニングし,オフィシャル検証セットのトレーニング後に直接評価する。
• 参考スコア（独自算出の注目度）: 11.61353925312909
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Radial Kernel Attention (RKA) for long-range modeling in polymer machine learning force fields. Existing approaches often rely on local neighbor graphs, which limit communication across polymer chains and their surrounding environments, whereas explicit all-pair attention incurs quadratic computational cost. RKA maps interatomic distances from the cluster centroid to learned radial features and combines their kernelized overlap with content-dependent queries and keys. Factorized aggregation and readout enable global feature exchange at linear complexity in the number of atoms for fixed feature dimensions. To ensure physically consistent predictions, we insert the invariant scalar update between EquiformerV3 local blocks and obtain conservative forces by differentiating the total energy, including its dependence on radial coordinate . Our models are trained on official OPoly26 training set for 12 epochs and evaluated directly after training on the complete official validation set. A matched 5M comparison shows that RKA reduces per-atom energy and force MAEs by 67.4% and 36.3%, respectively. The 20M RKA model attains a total-energy MAE of 15.81 meV (per-atom MAE of 0.1182 meV/atom) and a force MAE of 2.619 meV/Angstrom,improving all three metrics over UMA-S-1.2 and UMA-S-1.2.1 on the same validation structures. RKA provides a compact pathway for information exchange beyond local graph connectivity in polymer machine learning force fields.
• Abstract（参考訳）: 高分子機械学習力場における長距離モデリングのためのRKA(Radial Kernel Attention)を提案する。 既存のアプローチは、しばしば近隣のグラフに依存しており、これはポリマー鎖とその周辺環境間の通信を制限するが、明示的な全対の注意は二次計算コストを発生させる。 RKAは、クラスタセントロイドから学習したラジアル特徴に原子間距離をマッピングし、カーネル化されたオーバーラップとコンテンツ依存のクエリとキーを組み合わせる。 因子化アグリゲーションと読み出しは、固定された特徴次元の原子数の線形複雑度でグローバルな特徴交換を可能にする。 物理的に一貫した予測を保証するため、EquiformerV3局所ブロック間の不変スカラー更新を挿入し、放射座標への依存を含む総エネルギーを微分することにより、保守的な力を得る。 OPoly26トレーニングセットを12エポックでトレーニングし,オフィシャル検証セットのトレーニング後に直接評価する。 一致する5Mの比較では、RKAは原子当たりのエネルギーを67.4%削減し、MAEを36.3%削減している。 20M RKAモデルは15.81 meV(原子当たりのMAEは0.1182 meV/atom)と2.619 meV/Angstromの力MAEを獲得し、同じ検証構造上でUMA-S-1.2とUMA-S-1.2.1の3つの測定基準をすべて改善した。 RKAは、高分子機械学習力場における局所グラフ接続を超えた情報交換のためのコンパクトな経路を提供する。

関連論文リスト

• Nuclear scattering phase shifts with factorized geometric-time RODEO on a quantum processor [0.0]
  圧縮RODEO回路を用いて、IBM Aachenで測定された散乱スペクトルから弾性$s$-wave中性子-陽子位相シフトを再構成する。 このデータセットが0.1-30.0 MeVグリッドに収まるため、エネルギーの極大偏差は、より大きいルート平均二乗(RMS)が閉じ込められたエネルギー偏差にもかかわらず、正確にエネルギーのMEREから最大で0.842circ$から0.163circ$に減少する。
  論文  参考訳（メタデータ） (2026-09-28T04:43:48Z)
• Native implementation of the machine-learned Skala exchange-correlation functional in CP2K: Unified one-centre reconstruction for molecular and condensed-phase calculations [0.0]
  CP2KにおけるSkala Exchange-correlation (XC) 関数は,Gaussian and plane-wave (GPW) とGaussian and augmented-plane-wave (GAPW) を用いて実装する。 XC固有のGAPW表現は、原子中心格子の局所的な寄与を急速に変化させる。 十分なフレキシブルな軌道ベースを持つと、初期のGauXCの分子ベンチマークの精度が保たれる。
  論文  参考訳（メタデータ） (2026-09-28T00:26:04Z)
• Product units in gated recurrent units improve nuclear-mass prediction [0.8574682463936006]
  ゲートリカレントユニット(GRU)に基づく機械学習手法を提案する。 繰り返し単位に乗法的相互作用と積-単位変換を統合することにより、核質量予測の大幅な改善を報告した。 本研究は, 複雑な製品単位再カレントネットワークを, シークエンスに基づく核質量予測の新しいベンチマークとして確立した。
  論文  参考訳（メタデータ） (2026-06-05T03:25:50Z)
• MCGM: Multi-stage Clustered Global Modeling for Long-range Interactions in Molecules [35.99466073921216]
  MCGM(Multi-stage Clustered Global Modeling)は、幾何学的GNNに階層的グローバルコンテキストを与える軽量なプラグアンドプレイモジュールである。 AQMでは、MCGMはニューラルP3Mよりも20%少ないパラメータを使用しながら、最先端の精度(エネルギーは17.0 meV、力は4.9 meV/AA)を達成する。
  論文  参考訳（メタデータ） (2025-09-26T08:06:47Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
  等変グラフニューラルネットワーク(GNN)に基づく新しい非局所XC関数であるEquivariant Graph Exchange correlation (EG-XC)を導入する。 この点の雲に同変GNNを適用することにより、スケーラブルで正確な分子レンジ相互作用をキャプチャする。 EG-XCは、QM9上のデータ効率と分子サイズの外挿に優れ、5倍以上の分子で訓練された整合力場である。
  論文  参考訳（メタデータ） (2024-10-10T14:31:45Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Molecular Dipole Moment Learning via Rotationally Equivariant Gaussian Process Regression with Derivatives in Molecular-orbital-based Machine Learning [0.0]
  本研究は、分子軌道ベース機械学習(MOB-ML)の正確かつ伝達可能なアプローチを拡張した。 双極子モーメントの相関部の分子軌道ベース(MOB)対分解を適用する。 提案した問題設定,特徴設計,MLアルゴリズムは,高精度なモデルを提供する。
  論文  参考訳（メタデータ） (2022-05-31T02:42:50Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• 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。