グラフニューラルネットワーク– tag –
-
物理情報付きグラフニューラルネットワークが不均一固体力学を解明：大規模データ不要で変形・亀裂伝播をモデリング
arXiv 不明 概要 新しい物理情報付きグラフニューラルネットワーク（PI-GNN）が開発され、不均一な固体力学における変形や亀裂伝播を高精度でモデリングすることに成功しました。このPI-GNNは、適合するメッシュグラフ上で動作し、離散全ポテンシャルエネ... -
arXivで原子スケール機械学習向け高情報量データセット「MAD-1.6」が公開、予測精度向上へ
arXiv アメリカ 概要 普遍的な原子スケール機械学習のための高品質で高情報量のデータセット「MAD-1.6」がarXivで公開されました。このデータセットは、102の化学元素を網羅する362,646の原子構造を含み、分子、クラスター、バルク結晶、表面など幅広い構... -
Google DeepMind GNoMEとMicrosoft MatterGenが材料発見を加速、数百万の新規安定構造を予測
Facebook (MIT DMSE) アメリカ 概要 Google DeepMindのGNoMEとMicrosoftのMatterGenを含む生成AIモデルが、新規材料の組み合わせを提案し、その安定性を予測することで材料発見を著しく加速しています。GNoMEは数百万もの安定した結晶構造を予測し、その一... -
等方性グラフニューラルネットワーク原子間ポテンシャルがナノ材料シミュレーションを100倍高速化
nano-matter.com 国際 概要 等方性グラフニューラルネットワーク（GNN）原子間ポテンシャルは、密度汎関数理論（DFT）に匹敵する精度で原子の力とエネルギーを予測し、計算コストを約100分の1に削減することでナノ材料研究を加速しています。これらの機械... -
GRACE-OFFがGRACEアーキテクチャを用い、有機液体向け高精度機械学習原子間ポテンシャルを実現
Journal of Chemical Theory and Computation | ACS Publications アメリカ 概要 本研究は、機械学習原子間ポテンシャル（MLIP）の一種であるGRACE-OFFを導入し、有機液体の分子動力学シミュレーションにおいて量子力学に匹敵する精度を大幅な計算コスト削... -
Cypris AI、生成モデル、GNN、自律型ラボが材料R&Dを10分の1に短縮、Google DeepMind GNoMEが240万の新材料を予測
Cypris AI アメリカ 概要 Cypris AIは、生成モデル、グラフニューラルネットワーク（GNN）、自律型ラボの統合により、材料研究開発（R&D）のタイムラインが従来の10～20年から1～2年に劇的に短縮されていると報告しました。新しいCT-GNNやSA-GNNアーキ... -
新GNNモデルが電子フィンガープリントを高速生成、触媒・バッテリー材料発見を最大化
Facebook (PRX Intelligence参照) アメリカ 概要 新しいグラフニューラルネットワーク（GNN）モデルが、低計算コストで電子フィンガープリントを迅速に生成し、新材料の予測と発見をハイスループットで加速しています。このモデルは、状態密度投影（PDOS）... -
Meta AI、1億1千万件超のDFT計算を含む無機材料データセット「OMat24」と高性能GNNモデルを公開
Meta Fundamental AI Research (FAIR) アメリカ 概要 Meta Fundamental AI Research (FAIR)が、1億1000万件以上のDFT計算を含む大規模無機材料データセット「Open Materials 2024 (OMat24)」を公開しました。これは、材料科学分野における最大の公開データ... -
グラフニューラルネットワークが低計算コストで新材料発見を加速、触媒・バッテリー分野に貢献
PRX Intelligence アメリカ 概要 PRX Intelligenceに発表された新研究は、計算コストを大幅に抑えつつ新材料の予測と発見を加速するグラフニューラルネットワーク（GNN）モデルを提案しています。このモデルは、投影状態密度（projected density of states... -
AIが新材料発見を支援：機械学習とグラフニューラルネットワークが太陽エネルギー・触媒開発を加速
Future Science AI アメリカ 概要 AI、特に機械学習モデルとグラフニューラルネットワーク（GNN）は、材料の組成、構造、特性間の複雑な関係を特定することで、新材料の発見プロセスを劇的に加速しています。AIは、既存の候補材料の効率的なスクリーニング... -
CataCon、触媒予測にグラフ表現学習を導入：AIで化学反応の最適触媒を特定
PMC アメリカ 概要 本研究では、化学反応の最適な触媒を予測するために設計された新しい対照グラフ表現学習フレームワーク「CataCon」が導入されました。CataConは、すべての反応成分に対して豊富な構造埋め込みを生成し、対照学習を通じて反応と触媒の特... -
エネルギー的に固定されたMLIP埋め込みが水素発生電極触媒の予測精度を向上
ACS Publications (Journal of Chemical Information and Modeling) 概要 研究者らは、機械学習原子間ポテンシャル（MLIP）由来のエネルギー記述子を事前学習済みCrystal Hamiltonian Graph Neural Network (CHGNet) 潜在埋め込みと統合する「エネルギー的... -
機械学習原子間ポテンシャル（MLIPs）の総合レビュー、基盤モデルと事前学習済みフレームワークの進展を解説
(査読論文のレビュー記事) 概要 本レビュー記事は、分子および材料シミュレーションにおける機械学習原子間ポテンシャル（MLIPs）の包括的な概要を提供し、その理論的基礎、方法論的進歩、および応用を議論しています。特に、ニューラルネットワークポテン... -
arXiv論文：新MLポテンシャル「TWIN」が生体分子シミュレーションでab initio精度に匹敵する転送性を実現
arXiv Global 概要 arXivにプレプリントとして発表された研究は、生体分子システム向けに高い転送性を持つ暗黙的溶媒機械学習ポテンシャル（MLP）「TWIN（Transferable Water Implicit Network）」を提示しています。TWINはEquivariant Graph Neural Netwo... -
材料科学におけるML進展：特性予測から構造設計まで、LLMの検証が重要
Academic Review / Journal Global 概要 材料科学における機械学習（ML）の役割に関する最新のレビューは、特性予測、新規材料発見、プロセス最適化におけるその影響を詳述しています。特に、機械学習原子間ポテンシャル（MLIP）、結晶構造のためのグラフ... -
arXiv論文、モデル非依存型グラフプロンプト学習でGNNの結晶特性予測精度を大幅向上
arXiv 国際 概要 本論文は、グラフニューラルネットワーク（GNN）の結晶特性予測性能を向上させるため、新しいモデル非依存型ソフトプロンプト学習フレームワークを提案しました。このフレームワークは、ノードレベルおよびグラフレベルのソフトプロンプト... -
arXiv論文、等変グラフニューラルネットワークによる原子モデリングの変革と分子粗視化の進歩
arXiv 国際 概要 本論文は、等変グラフニューラルネットワーク（EGNN）を含む機械学習原子間ポテンシャル（MLIP）が、量子力学的データからポテンシャルエネルギー面を学習することで原子モデリングをいかに変革したかを議論しています。さらに、分子粗視... -
GitHubリポジトリ「awesome-ai-for-science」公開、Google GNoMEとMicrosoft MatterGenなど科学発見を加速するAIツールを厳選
GitHub (ai-boost) 国際 概要 GitHub上に「awesome-ai-for-science」リポジトリが公開され、物理学、化学、生物学、材料科学など多岐にわたる科学分野の発見を加速するAIツールとフレームワークが厳選されてリスト化されました。このリストには、220万の新... -
Springer Natureが結晶欠陥のML手法に関する論文募集を開始、原子シミュレーションとの統合を重視
Research Communities (Springer Nature) 国際 概要 Springer NatureのResearch Communitiesは、結晶欠陥のモデリングと予測に焦点を当てた機械学習（ML）手法に関する論文募集を開始しました。この募集は、グラフニューラルネットワークやアクティブラー... -
材料科学における機械学習の包括的レビュー、グラフNNからLLM応用までデータ駆動型発見を解説
Nature Computational Materials 国際 概要 最新のレビュー論文が、材料科学における機械学習のデータ駆動型発見と機能的応用に関する進展を網羅的に解説しています。結晶構造解析のためのグラフニューラルネットワークや原子シミュレーションのための機械...
12