[論文レビュー] React-OT: Optimal Transport for Generating Transition State in Chemical Reactions

Chenru Duan, Guan-Horng Liu+7 more|arXiv (Cornell University)|Apr 20, 2024

Radioactive element chemistry and processing被引用数 4

ひとこと要約

React-OT は、反応ごとに 0.4 秒で非常に高い精度の遷移状態（TS）構造を生成する決定的最適輸送フレームワークであり、中央値 RMSD が 0.053 Å、障壁高さ誤差が 1.06 kcal/mol に達する。GFN2-xTB データでの事前学習により精度が 25% 向上し、RMSD が 0.044 Å に、誤差が 0.74 kcal/mol に低下し、確率的サンプリングやランク付けモデルを必要とせず、高速で信頼性が高くスケーラブルな TS 予測が可能になる。

ABSTRACT

Transition states (TSs) are transient structures that are key in understanding reaction mechanisms and designing catalysts but challenging to be captured in experiments. Alternatively, many optimization algorithms have been developed to search for TSs computationally. Yet the cost of these algorithms driven by quantum chemistry methods (usually density functional theory) is still high, posing challenges for their applications in building large reaction networks for reaction exploration. Here we developed React-OT, an optimal transport approach for generating unique TS structures from reactants and products. React-OT generates highly accurate TS structures with a median structural root mean square deviation (RMSD) of 0.053Å and median barrier height error of 1.06 kcal/mol requiring only 0.4 second per reaction. The RMSD and barrier height error is further improved by roughly 25\% through pretraining React-OT on a large reaction dataset obtained with a lower level of theory, GFN2-xTB. We envision that the remarkable accuracy and rapid inference of React-OT will be highly useful when integrated with the current high-throughput TS search workflow. This integration will facilitate the exploration of chemical reactions with unknown mechanisms.

研究の動機と目的

• DFT を用いた TS 最適化の高い計算コストに起因する課題を克服し、化学反応における高精度な遷移状態（TS）構造を高速で決定的に生成する手法の開発を目的とする。
• 既存の生成モデル（例：OA-ReactDiff）が要求する確率的サンプリングや後処理のランク付けモデルを排除し、高スループットワークフローにおけるスケーラビリティを阻害する要因を解消することを目的とする。
• 最適輸送理論を活用し、大規模で低コストの量子化学データを用いた事前学習により、TS 予測の構造的およびエネルギー的精度を向上させることを目的とする。
• 反応あたりの推論時間と計算オーバーヘッドを著しく削減することで、大規模な反応ネットワークの効率的構築を可能とすることを目的とする。
• 高スループットの反応機構探索パイプラインにシームレスに統合可能な、スケーラブルで信頼性が高く、対称性に配慮したフレームワークを提供することを目的とする。

提案手法

• React-OT は、反応物および生成物の幾何的分布間の輸送コストを最小化することで、一意で決定的な遷移状態を生成する最適輸送を採用する。
• 生成された TS の幾何的整合性を保つために、3次元空間の対称性を保持する SE(3)-等長性グラフニューラルネットワーク（LEFTNet）をスコアリングネットワークとして使用する。
• TS 生成を、反応物と生成物を条件入力として用いる拡散モデルのノイズ除去プロセスとしての条件付きインpainting問題として定式化する。
• OA-ReactDiff から微調整された信頼性モデルを統合し、追加の学習を必要とせずに生成された TS 構造の信頼性スコアを予測する。
• 既存の OA-ReactDiff チェックポイントを微調整して学習し、初期の学習率を 0.0001 に低減することで、新しい最適輸送目的関数を用いる。
• GFN2-xTB（低コストの半経験的 DFT）で計算された 760,615 個の反応からなる大規模データセットでの事前学習により、一般化性能と精度、特に障壁高さ予測の精度が向上する。

実験結果

リサーチクエスチョン

• RQ1 反応物と生成物から、高い構造的およびエネルギー的精度で一意の決定的遷移状態構造を最適輸送を用いて生成できるか？
• RQ2 確率的拡散モデル（例：OA-ReactDiff）と比較して、決定的最適輸送に基づく手法の推論速度と精度はどのように異なるか？
• RQ3 低コストの量子化学データ（GFN2-xTB）での事前学習が、拡散ベースの生成モデルにおける遷移状態予測の精度をどの程度向上させ得るか？
• RQ4 等長性ディープラーニングと最適輸送を統合することで、TS 生成における後処理のランク付けモデルの必要性を排除できるか？
• RQ5 DFT や拡散モデルに基づく既存の高スループット TS 検索ワークフローと比較して、React-OT はどの程度の計算効率の向上を達成できるか？

主な発見

• React-OT は、基準となる DFT 構造からの中央値 RMSD が 0.053 Å に達し、高い構造的精度を示す。
• 中央値障壁高さ誤差は 1.06 kcal/mol であり、強力なエネルギー予測能力を示している。
• 推論時間は反応あたりたったの 0.4 秒であり、高スループットの反応ネットワーク生成への迅速な展開が可能である。
• GFN2-xTB データでの事前学習後、中央値 RMSD は 0.044 Å に改善され、障壁高さ誤差は 0.74 kcal/mol に低下し、精度が 25% 向上した。
• OA-ReactDiff におけるノイズ除去関数の評価回数を 40,000 回からわずか 50 回に削減し、推論速度がほぼ 1000 倍に加速された。
• 確率的サンプリングや追加のランク付けモデルを不要とし、決定的でスケーラブルかつ信頼性の高い TS 予測が可能になった。