Core Concepts
分子構造最適化におけるニューラルネットワークを用いたエネルギー最小化の効率的な手法を提案する。
Abstract
Published Information:
ICLR 2024で会議論文として発表されました。
モスクワにあるAIRI、FRC CSC RAS、Sber AI、MIPT、Constructor University、ISP RAS Research Center for Trusted Artificial Intelligence、Kuban State Universityから著者が参加しています。
Abstract:
伝統的なエネルギー最小化技術は計算コストが高く、ニューラルネットワークを使用したGradual Optimization Learning Framework(GOLF)が提案されている。
GOLFはデータ収集スキームと外部オプティマイザから構成されており、追加データを50倍少なく使用しながらDFT法と同等の性能を実現しています。
Introduction:
数値量子化学手法は現代のコンピュータ支援医薬品探索や材料設計パイプラインに不可欠です。
多くの既存データセットからNNPをトレーニングすることで、低エネルギー構造予測に成功しています。
Related Work:
分子3Dコンフォマ―生成に関するさまざまなアプローチが提案されています。
追加データ収集方法に基づいた新しいアクティブラーニングアプローチも報告されています。
Conclusion:
GOLFフレームワークはDFT法と同等の最適化品質を実現しました。
大規模な分子でも一定の性能を示すことが示唆されています。
Stats
D0は約10000個の三重体から成ります。
nablaDFTデータセットに関連するNNPsは異なる追加トレーニングデータでトレーニングされました。
Quotes
"ニューラルネットワークを使用したGradual Optimization Learning Framework(GOLF)が提案されている。"
"NNPsは追加トレーニングデータから利益を得ており、すべての最適化メトリックで基準線よりも優れた結果を出しています。"