Mar, 2024

推广去噪至非平衡结构改善等变原子力场

PDF
TL;DR本文提出了一种使用去噪非平衡结构（DeNS）作为辅助任务来更好地利用训练数据和提高性能的方法，通过对非平衡结构添加噪声并预测噪声来实现对非平衡结构的去噪，进而改善在 OC20、OC22 和 MD17 数据集上的训练效率并取得了新的最先进结果。
atoms3d atomistic systemsdenoising non-equilibrium structuresneural networkstraining efficiency
发现论文，激发创造
  • 分子性质预测的去噪预训练

    该论文描述了一种基于去噪自编码的预训练技术，通过利用大量的 3D 分子结构数据学习下游任务的有意义的表示，从而实现分子属性预测的最新技术；实验证明，使用这种预训练目标显著提高了多个基准测试的性能，在广泛使用的 QM9 数据集中取得了新的最新技术成果。

    May, 2022

  • 非平衡分子的降噪预训练，用于准确和可转移的神经势

    本文提出了基于去噪预训练 (Equivariant Graph Neural Networks) 的新型神经势能预测方法，旨在解决对于大规模、复杂的分子体系建立准确、具有可迁移性的 GNN 神经势能预测模型的问题。实验结果表明，该方法具有很好的实用性，并成功地提高了神经势能预测的准确性。

    Mar, 2023

  • 逆扩散的分子松弛及时间步预测

    通过反向扩散实验，我们提出了一种新颖的统计方法，利用生成扩散模型去除杂乱输入，从而学习简化的伪势能面，省去非平衡结构的计算，实现在计算化学中找到非平衡结构的平衡状态。

    Apr, 2024

  • 愿原力与你同在：基于力的统一预训练方法用于 3D 分子构象

    我们提出了一种力导向的预训练模型，用于涵盖平衡和非平衡数据的三维分子构象，通过直接学习非平衡数据的原子力，以及引入零力正规化和基于力的去噪技术来近似接近平衡力转化为近千其他鞠躬。我们的预训练模型对于三维分子表示具有统一的作用，通过预训练目标，力的准确性相比未经预训练的等变变压器模型提高了约 3 倍，同时通过在平衡数据上添加正规化项，解决了原始等变变压器中不稳定的分子动力学模拟问题，实现了与 NequIP 相比 2.45 倍更快的推理时间，并达到了与最先进的属性预测任务相当的性能。

    Aug, 2023

  • 三维分数降噪分子预训练

    通过引入混合噪声策略和分数去噪方法（Frad），本研究提出一种新的坐标去噪方法，用于改进分子表示，并在 QM9 的 12 个任务中有 9 个任务达到新的最先进水平，并在 MD17 的 8 个目标中有 7 个目标取得了最先进水平。

    Jul, 2023

  • 通过位置去噪预测易于获得的几何量子化学性质

    本文提出了采用分层去噪方法预测量子化学性质的方法，以优化几何结构为输入，解决高级量子力学计算的不可行性问题，实现了在两个预测任务中取得了较高的准确性。

    Mar, 2023

  • 3D 去噪器是优秀的 2D 教师：通过去噪和跨模态蒸馏进行分子预训练

    D&D 是一种自监督的分子表示学习框架，通过从 3D 去噪器中提炼的表示来预训练 2D 图形编码器，并在下游任务中无需准确的构象器获得 3D 信息和卓越的性能。

    Sep, 2023

  • 使用深度神经网络生成平衡分子

    本文介绍了一种新型的深度卷积神经网络结构，它通过在三维空间中顺序放置原子来生成分子平衡结构，该模型估计分子配置的联合概率，并演示了其可以在 C$_7$O$_2$H$_{10}$ 的同分异构体中生成接近平衡的分子。

    Oct, 2018

  • 切片去噪：一种基于物理信息的分子预训练方法

    该论文提出一种名为 SliDe 的分子预训练新方法，利用切片去噪策略及随机切片方法，提高对分子力场的精确预测能力，从而优于传统基准模型在分子性质预测任务上的表现。

    Nov, 2023

  • 基于深度均衡的神经算子对稳态偏微分方程的研究

    基于数据驱动的机器学习方法正在越来越多地应用于解决偏微分方程（PDEs），特别是在训练运算符方面展现出了显著的成功。在本文中，我们研究了使用绑定权重神经网络架构求解稳态 PDEs 的优势，并证明了 FNO-DEQ 可以近似解决任何可写为固定点方程的稳态 PDE。

    Nov, 2023