要約
最近の深層学習の進展により、電子構造計算（例：密度汎関数理論、DFT）に依存する高コストな計算を回避することで、量子化学（QC）特性の予測速度が著しく向上している。しかし、従来の手法は1次元のSMILESシーケンスや2次元の分子グラフから学習していたため、QC特性は実際には電子構造計算によって最適化された3次元平衡構造に強く依存するという点を十分に捉えられず、高い精度を達成できなかった。本論文では、この課題に対処するため、Uni-Mol+と呼ばれる新規アプローチを提案する。Uni-Mol+は、まずRDKitなどの低コストな手法によって初期の3次元分子構造（Raw Conformation）を生成する。その後、ニューラルネットワークを用いてこの初期構造を反復的にDFTによる平衡構造に更新し、学習された最終構造を用いてQC特性を予測する。平衡構造への更新プロセスを効果的に学習するため、二本のトラックを備えたTransformerモデルアーキテクチャを導入し、QC特性予測タスクに基づいて訓練する。さらに、モデルの学習プロセスを効果的に誘導するための新規な訓練戦略も提案している。広範なベンチマーク評価の結果、Uni-Mol+は複数のデータセットにおいてQC特性予測の精度を顕著に向上させることを示した。本研究で開発したコードおよびモデルは、\url{https://github.com/dptech-corp/Uni-Mol}にて公開している。