17일 전

유니몰+를 활용한 고정밀 양자화학적 성질 예측

Shuqi Lu, Zhifeng Gao, Di He, Linfeng Zhang, Guolin Ke
유니몰+를 활용한 고정밀 양자화학적 성질 예측
초록

최근 딥러닝 분야의 발전은 전자 구조 계산(예: 밀도함수이론, DFT)과 같은 고비용 계산을 제거함으로써 양자화학(QC) 성질 예측 속도를 크게 향상시켰다. 그러나 기존의 방법들은 1차원 SMILES 시퀀스나 2차원 분자 그래프를 기반으로 학습하였으나, QC 성질은 전자 구조 방법에 의해 최적화된 3차원 평형 구형(conformation)에 크게 의존하기 때문에, 순차형 또는 그래프형 데이터에서는 높은 정확도를 달성하지 못했다. 본 논문에서는 이러한 도전 과제를 해결하기 위해 새로운 접근법인 Uni-Mol+을 제안한다. Uni-Mol+는 먼저 RDKit과 같은 저비용 방법을 통해 원시적인 3차원 분자 구형을 생성한다. 이후 신경망을 이용해 이 원시 구형을 목표 DFT 평형 구형으로 반복적으로 업데이트하며, 학습된 구형을 기반으로 QC 성질을 예측한다. 평형 구형으로의 업데이트 과정을 효과적으로 학습하기 위해, 두 가지 경로를 갖춘 Transformer 모델 아키텍처를 도입하고, QC 성질 예측 작업을 통해 모델을 훈련시킨다. 또한 모델의 훈련 과정을 안내하기 위한 새로운 전략을 설계하였다. 광범위한 벤치마킹 결과를 통해 Uni-Mol+가 다양한 데이터셋에서 QC 성질 예측 정확도를 크게 향상시킴을 입증하였다. 본 연구의 코드 및 모델은 \url{https://github.com/dptech-corp/Uni-Mol}에서 공개되어 있다.

유니몰+를 활용한 고정밀 양자화학적 성질 예측 | 최신 연구 논문 | HyperAI초신경