物理情報に基づいた一般化可能な超分子安定性予測のためのフィンガープリント

科学分野:

• 計算化学
• 材料科学
• 機械学習

背景:

• 超分子システムの予測設計は、複雑な記述子とコストのかかるシミュレーションによって妨げられています。
• 超分子安定性は、単一のパラメータではなく、非共有結合相互作用の統計分布に依存します。

研究 の 目的:

• 非共有結合相互作用のための新しい物理情報に基づいた記述子であるKulkarni-NCI Fingerprint (KNF)を導入する。
• 分子材料のハイスループットスクリーニングと発見のためのAI加速フレームワークを開発する。

主な方法:

• 非共有結合相互作用のシグネチャを捉える9つの特徴を持つ記述子であるKulkarni-NCI Fingerprint (KNF)を設計した。
• ドメイン横断的な一般化のためにKNFで普遍的なモデルを訓練した。
• KNFの迅速な予測のために3D拡張グラフアテンションネットワーク（GAT）サロゲートを開発した。

主要な成果:

• KNFは最先端の予測性能（R² = 0.793）を達成し、既存の記述子と比較して47%向上しました。
• 普遍的なモデルは、水素結合優位および分散力優位のシステム全体で強力な一般化能力を示しました。
• GATサロゲートはKNF生成を416倍加速し、数千の組み合わせの迅速なスクリーニングを可能にしました。

結論:

• KNF記述子は、超分子システム設計のためのスケーラブルで解釈可能で効率的なアプローチを提供します。
• 統合フレームワークは、複雑な分子材料の合理的な発見を加速します。
• この物理情報に基づいたAI駆動の方法論は、材料発見における計算上のボトルネックを克服します。