AUGUR, A flexible and efficient optimization algorithm for identification of optimal adsorption sites

要約

この論文では、AUGUR (Aware of Uncertainty Graph Unit Regression) という名前の、最適な吸着サイトを決定するための新しい柔軟な最適化パイプラインを提案します。
私たちのモデルは、グラフ ニューラル ネットワークとガウス プロセスを組み合わせて、不確実性の定量化が組み込まれた、柔軟で効率的で対称性を意識した、平行移動および回転不変の予測子を作成します。
この予測子は、データ効率の高いベイジアン最適化スキームの代用として使用され、最適な吸着位置が決定されます。
このパイプラインは、現在の最先端のアプローチよりもはるかに少ない反復回数で、大規模で複雑なクラスターの最適な位置を決定します。
さらに、手作りの機能に依存せず、変更を加えずにあらゆる分子にシームレスに使用できます。
さらに、グラフのプール特性により、同じモデルによる異なるサイズの分子の処理が可能になります。
これにより、比較的小型で安価なシステムでトレーニングされたモデルによって、計算量の多いシステムのエネルギー予測が可能になります。

要約(オリジナル)

In this paper, we propose a novel flexible optimization pipeline for determining the optimal adsorption sites, named AUGUR (Aware of Uncertainty Graph Unit Regression). Our model combines graph neural networks and Gaussian processes to create a flexible, efficient, symmetry-aware, translation, and rotation- invariant predictor with inbuilt uncertainty quantification. This predictor is then used as a surrogate for a data-efficient Bayesian Optimization scheme to determine the optimal adsorption positions. This pipeline determines the optimal position of large and complicated clusters with far fewer iterations than current state-of-the-art approaches. Further, it does not rely on hand-crafted features and can be seamlessly employed on any molecule without any alterations. Additionally, the pooling properties of graphs allow for the processing of molecules of different sizes by the same model. This allows the energy prediction of computationally demanding systems by a model trained on comparatively smaller and less expensive ones

arxiv情報

提供元, 利用サービス

arxiv.jp, Google