GoFlow:高效的过渡状态几何预测与流量匹配和E(3) -等价神经网络
Leonard Galustian1, Konstantin Mark1, Johannes Karwounopoulos1
1Institute of Materials Chemistry, TU Wien A-1060 Vienna Austria esther.heid@tuwien.ac.at.
作为一种最佳的运输流问题,GoFlow模型将过渡状态 (TS) 产生为最佳运输流问题,实现100倍以上的更快推断和更高的准确性. 这种机器学习的进步使TS生成对复杂的化学系统具有实用性.
科学领域:
- 计算化学计算化学
- 机器学习 机器学习
- 化学反应动力学 化学反应动力学
背景情况:
- 过渡状态 (TS) 几何学对于理解化学反应和动力学至关重要.
- 目前用于TS计算的量子化学方法对于大型系统来说在计算上昂贵.
- 深度学习扩散模型显示了从2D反应图中TS生成的前景,但其推断速度缓慢.
研究的目的:
- 开发一种更快,更准确的深度学习方法,从二维反应图中生成过渡状态几何.
- 为了使基于机器学习的TS生成在高通量计算化学中的实际应用.
主要方法:
- 建模TS生成作为一个最佳的运输流量问题.
- 使用E(3) -等价流与几何张量网络相匹配.
- 开发了一种名为GoFlow的新方法.
主要成果:
- 与扩散模型相比,推断速度提高了一百倍以上.
- 演示了生成TS结构的改进的几何精度.
- 能够为更大,更复杂的分子系统提供高效的TS生成.
结论:
- 在基于机器学习的TS生成中,GoFlow提供了显著的方法进步.
- 该方法的效率和准确性促进了其在高通量计算化学中的使用.
- GoFlow使准确和快速的TS预测更接近于在化学研究中广泛采用.
更多相关视频
13:02Three-dimensional Particle Tracking Velocimetry for Turbulence Applications: Case of a Jet Flow
Published on: February 27, 2016
09:17Structure-Based Simulation and Sampling of Transcription Factor Protein Movements along DNA from Atomic-Scale Stepping to Coarse-Grained Diffusion
Published on: March 1, 2022
相关概念视频
Predicting Molecular Geometry
Eulerian and Lagrangian Flow Descriptions
The Eulerian method focuses on fixed points in space where fluid properties, such as velocity, pressure, and temperature, are observed as the fluid moves between these...
Plane Potential Flows
Uniform...
Fast Decoupled and DC Powerflow
Uniform Depth Channel Flow: Problem Solving
Typical Model Studies
