[論文レビュー] Accurate transition state generation with an object-aware equivariant elementary reaction diffusion model

Chenru Duan, Yuanqi Du+2 more|arXiv (Cornell University)|Apr 12, 2023

Machine Learning in Materials Science被引用数 4

ひとこと要約

本論文は、反応物および生成物の幾何構造を活用して、数秒で正確な3次元遷移状態（TS）構造を生成する、新しいオブジェクトに注意を向けるSE(3)不変拡散モデル、OA-ReactDiffを紹介する。このモデルは、真のTS構造からの中央値RMSDが0.08 Åであり、信頼性ベースのレコメンダーシステムにより、最も困難な反応の14%のみを最適化することで、2.6 kcal/mol以内の遷移状態エネルギー障壁推定を実現する。

ABSTRACT

Code and model release for OA-ReactDiff, a generalizied Denoising Diffusion Probabilistic Model (DDPM) for generating sets of 3D structures (i.e., reactant, transition state, and product) in chemical reactions. OA-ReactDiff reduces the transition state search from hours/days to seconds and complemented conventional intuition-based reaction exploration with generative AI solutions that can discover surprising "unintended" reactions. A codebase under continuous development can be found at https://github.com/chenruduan/OAReactDiff. Update: Upload the checkpoint for the confidence model.

研究の動機と目的

• 遷移状態（TS）探索の計算的ボトル neck を解消することを目的とし、これは従来、何時間もDFT計算を要するものである。
• 反応物、遷移状態、生成物といった複数のオブジェクト系において、置換、並進、回転のすべての物理的対称性を尊重する機械学習モデルを開発すること。
• 高価なDFTベースのTS最適化に依存するのを減らすために、迅速かつ高精度なTS構造を生成し、不確実性評価を用いて最も信頼性の高い予測を特定すること。
• 人為的または計算的介入を最小限に抑えつつ、大規模で未知のメカニズムを有する反応ネットワークをスケーラブルに構築すること。

提案手法

• モデルは、反応物、TS、生成物断片間で置換、並進、回転対称性を保持するオブジェクトに注意を向けるSE(3)不変グラフニューラルネットワーク（GNN）を採用する。
• 2次多項式ノイズスケジュールとL_simple損失関数を用いた拡散プロセスを採用し、9,000件の反応からなるTransition1x15データセットで学習する。
• 原子順序マッピングや断片のアライメントを必要とせず、1回の順方向プロパゲーションで反応物、TS、生成物の3次元構造を同時に生成する。
• RMSD閾値（0.2 Å未満）を用いて、生成されたTS構造を「良い」または「悪い」とラベルづけする二値分類器としての信頼性スコアリングモデルを訓練し、不確実性を考慮した選択を可能にする。
• 最終的な予測パイプラインでは、信頼性スコアを用いて複数回の生成から最も信頼性の高いTS候補をランク付け・選択する。
• V100 GPUを用いて、5000ステップの拡散、96個のラジアル基底関数、196個の隠れ層チャネルを用い、化学的に多様な大規模データセット上でエンドツーエンドで学習する。

実験結果

リサーチクエスチョン

• RQ1 オブジェクトに注意を向けるSE(3)不変拡散モデルは、反復的DFT最適化を要せず、初等的反応の正確な3次元遷移状態構造を生成できるか？
• RQ2 このようなモデルは、複数の分子断片にわたって、置換、並進、回転のすべての物理的対称性をどの程度保持できるか？
• RQ3 信頼性ベースのランク付けシステムは、精度を維持しつつ、必要なDFT最適化の回数を削減できるか？
• RQ4 精度、速度、計算コストの観点から、従来のTS探索手法と比較して、このモデルのパフォーマンスはどの程度か？

主な発見

• モデルは、真のTSからの中央値RMSDが0.08 Åであるため、高い構造的正確性を達成している。
• 信頼性ベースのサンプリングにより、平均RMSDは0.13 Åに低下し、不確実性評価による信頼性の向上が実証された。
• 1つのGPU上で1反応あたり6秒未塔でTS構造を予測可能であり、従来のDFTベース手法と比較して100倍の高速化を達成した。
• 信頼性モデルを用いてDFT最適化を誘導することで、障壁推定精度2.6 kcal/molを達成するため、最も困難な反応の14%のみが完全なDFT評価を必要とした。
• 未学習の反応に対しても一般化性能が高く、TS構造に重複のない1,073件の別々のテストセットでも良好な性能を示した。
• 信頼性モデルは信頼性の高い不確実性評価を実現し、予測確率と実際のRMSD性能の間に強い相関が確認された。