多時的なソリューションシステムにおける吸収エネルギー予測のための3D空間学習:MTSSデータセットとGCNベースのネットワーク
Lanqi Li1, Rui Luo2, Xiaolu Chen2
1Henan Institute of Advanced Technology, Zhengzhou University, Zhengzhou 450001, People's Republic of China.
Journal of chemical information and modeling
|September 3, 2025
まとめ
この研究では,ダイナミック・ソリューション・システムにおける吸収エネルギーを予測するための新しいデータセットとディープ・ラーニング・モデル,SEP-Netを導入しています. SEP-Netは複雑な溶液と溶媒の相互作用を正確にモデル化し,吸収プロセスの予測精度を向上させます.
科学分野:
- コンピュータ化学
- 材料科学
- 機械学習
背景:
- 現在の吸附エネルギー予測方法は,ダイナミックな溶液システムと多様な空間構成と戦っています.
- 伝統的なデータセットは静的であり,ダイナミック・システムによって時間をかけて探求される構成空間を捉えることができない.
研究 の 目的:
- 多時溶液システム (MTSS) のデータセットを導入し,一時的に解消された吸収予測を行う.
- ソリューションレベルのインタラクションをモデル化できる新しい深層学習モデル,SEP-Netを開発する.
主な方法:
- 5つの溶媒の500,000の時間的に解決された構成と吸収エネルギーラベルを含むMTSSデータセットの作成.
- SEP-Netの提案は,回転不変幾何学学習と分子SMILESの埋め込みを統合する二チャンネルグラフネットワークです.
- MLPのような伝統的な方法に対するSEP-Netのパフォーマンスの実験的検証.
主要な成果:
- SEP-Netは,既知の溶媒で211.02 kJ/mol,未確認の溶媒で507.37 kJ/molの平均絶対誤差 (MAE) を達成した.
- SEP-NetはMLPを大幅に上回り,予測精度の大幅な改善を示した (例えば,ACE溶媒での3827.33対507.37kJ/mol).
結論:
- MTSSデータセットとSEP-Netは,システムレベルの吸収予測のための新しいベンチマークを確立しています.
- ダイナミックなシステムにおける溶液-溶媒と溶媒-溶媒の相互作用の複雑さを効果的に扱います.
