[論文レビュー] Alchemy: A Quantum Chemistry Dataset for Benchmarking AI Models

Guangyong Chen, Pengfei Chen+10 more|arXiv (Cornell University)|Jun 22, 2019

Machine Learning in Materials Science参考文献 37被引用数 64

ひとこと要約

Alchemy は、12 の量子機械的特性を持つ119,487個の有機分子の大規模な量子化学データセットを導入し、MLモデルをベンチマークする。さらにそれに対してさまざまなGNNアーキテクチャをベンチマークする。

ABSTRACT

We introduce a new molecular dataset, named Alchemy, for developing machine learning models useful in chemistry and material science. As of June 20th 2019, the dataset comprises of 12 quantum mechanical properties of 119,487 organic molecules with up to 14 heavy atoms, sampled from the GDB MedChem database. The Alchemy dataset expands the volume and diversity of existing molecular datasets. Our extensive benchmarks of the state-of-the-art graph neural network models on Alchemy clearly manifest the usefulness of new data in validating and developing machine learning models for chemistry and material science. We further launch a contest to attract attentions from researchers in the related fields. More details can be found on the contest website \footnote{https://alchemy.tencent.com}. At the time of benchamrking experiment, we have generated 119,487 molecules in our Alchemy dataset. More molecular samples are generated since then. Hence, we provide a list of molecules used in the reported benchmarks.

研究の動機と目的

• MoleculeNetおよびQM-seriesを超える、より大規模で多様な量子化学データセットの必要性を動機づける。
• 薬物化学に焦点を当てたQMデータセットを、より広範な原子種の多様性と規模で作成する。
• 量子特性予測タスクにおける最新のグラフニューラルネットワークのベンチマークを提供する。

提案手法

• GDB MedChemから119,487個の有機分子に対して12の量子力学的特性を持つ新しい分子データセット（Alchemy）を作成する。
• DFT B3LYP/6-31G(2df,p)レベルでPySCFを用いて特性を計算する。
• 分子をグラフとして表現し、グラフニューラルネットワークを適用して量子特性を予測する。
• 複数のGNNアーキテクチャ（例：GCN、GAT、RGCN、GGNN、MPNN、LanczosNet、GIN）をベンチマークする。
• 分子処理のデータ生成ワークフローと実行時間特性について議論する。

実験結果

リサーチクエスチョン

• RQ1 MLベースの分子特性予測は、QM9/MoleculeNetを超える多様なQMデータセットでどのように機能するか？
• RQ2 Alchemyでの量子力学的特性予測に最も高い精度を示すGNNアーキテクチャはどれか？
• RQ3 分子サイズの増加と原子種の多様性は、量子化学におけるMLモデルの一般化と転移性を向上させるか？
• RQ4 大規模な量子化学データセットの実際的な考慮事項（計算コスト、データ生成）とは何か？

主な発見

• Alchemyには12の量子力学的特性を持つ119,487個の分子が含まれる。
• 分子は最大で14個の重原子（C, N, O, F, S, Cl）を持ち、GDB MedChemサブセットから取得されている。
• 特性計算にはPySCFを用いてB3LYP/6-31G(2df,p)を適用した。
• 最先端のGNNモデルを実装しAlchemy上でベンチマークした。
• データセット拡張は、化学および材料科学のML手法の評価、ベンチマーク、および開発を支援することを目的とする。