基于扩散的生成人工智能用于从二维分子图中探索过渡状态
Seonghwan Kim1, Jeheon Woo1, Woo Youn Kim2,3
1Department of Chemistry, KAIST, 291 Daehak-ro, Yuseong-gu, 34141, Daejeon, Republic of Korea.
我们开发了TSDiff,这是一种新的机器学习模型,可以从二维分子图形中预测过渡状态 (TS) 几何形状,从而提高化学反应探索的准确性和效率.
科学领域:
- 计算化学是一种计算化学.
- 机器学习在化学中的应用
背景情况:
- 预测过渡状态 (TS) 几何对于理解化学反应机制和动力学至关重要.
- 目前用于TS预测的机器学习 (ML) 模型需要3D反应物/产品形状,从而产生大量的计算成本和精力.
研究的目的:
- 介绍TSDiff,一种用于直接从二维分子图中预测TS几何学的新型生成方法.
- 与现有的ML方法相比,为了证明TSDiff的卓越准确性和效率.
主要方法:
- 利用随机扩散方法进行生成TS几何预测.
- 在各种反应的 TS 几何形状的多样化数据集上训练模型.
- 输入分子数据仅来自2D分子图.
主要成果:
- 与使用3D输入几何形状的现有ML模型相比,TSDiff实现了更高的精度和效率.
- 该模型成功地采样了各种TS构造,使得多种反应途径的探索成为可能.
- TSDiff发现了反应途径,其能量障碍比参考数据库中的更低.
结论:
- TSDiff提供了一种计算效率高,可靠的方法来探索过渡状态.
- 这种方法显著减少了TS几何预测的先决条件,使其更容易获得.
- 采样多样化的TS构造的能力为发现更有利的反应途径开辟了新的途径.
更多相关视频
08:21Curation of Computational Chemical Libraries Demonstrated with Alpha-Amino Acids
Published on: April 13, 2022
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
相关概念视频
Energy Diagrams, Transition States, and Intermediates
Cooperative Allosteric Transitions
Predicting Molecular Geometry
Phase Transitions: Vaporization and Condensation
Molecular Models
Ziegler–Natta Chain-Growth Polymerization: Overview
