Geometric Deep Learning for Molecular Crystal Structure Prediction

要約

分子グラフの幾何学的深層学習のツールを使用して、分子の結晶構造のランク付けと結晶特性の予測を加速するための新しい機械学習戦略を開発およびテストします。
グラフベースの学習の発展と大規模な分子結晶データセットの可用性を活用して、正確で迅速に評価でき、さまざまなサイズと組成の分子に適用できる密度予測と安定性ランキングのモデルをトレーニングします。
当社の密度予測モデル MolXtalNet-D は、大規模で多様なテスト データセットで 2% 未満の平均絶対誤差という最先端のパフォーマンスを実現します。
私たちのクリスタル ランキング ツールである MolXtalNet-S は、人工的に生成された偽物から実験サンプルを正しく識別し、Cambridge Structural Database Blind Tests 5 および 6 への提出物の分析を通じてさらに検証されます。
既存の結晶構造予測パイプラインを使用して、検索スペースを削減し、結晶候補のスコアリング/フィルター処理を行います。

要約(オリジナル)

We develop and test new machine learning strategies for accelerating molecular crystal structure ranking and crystal property prediction using tools from geometric deep learning on molecular graphs. Leveraging developments in graph-based learning and the availability of large molecular crystal datasets, we train models for density prediction and stability ranking which are accurate, fast to evaluate, and applicable to molecules of widely varying size and composition. Our density prediction model, MolXtalNet-D, achieves state of the art performance, with lower than 2% mean absolute error on a large and diverse test dataset. Our crystal ranking tool, MolXtalNet-S, correctly discriminates experimental samples from synthetically generated fakes and is further validated through analysis of the submissions to the Cambridge Structural Database Blind Tests 5 and 6. Our new tools are computationally cheap and flexible enough to be deployed within an existing crystal structure prediction pipeline both to reduce the search space and score/filter crystal candidates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google