PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.17077v1physics.chem-ph

엔지니어링된 모델-양자 프레임워크를 통한 제한된 실제 데이터로부터의 포괄적 pKa 데이터 증강

Comprehensive pKa Data Augmentation from Limited Real Data through an Engineered Models-Quantum Framework

양성자 해리 상수(pKa)는 기능성 분자 발견 및 분자 모델링에 있어 중요합니다. 현재까지 확립된 가장 큰 실험적 pKa 데이터베이스인 iBonD를 기반으로, 본 연구진과 다른 연구자들은 머신러닝 기반 경험적 예측 및 고정밀 에너지 계산을 포함한 여러 방법을 개발해 왔습니다. 이러한 기반에도 불구하고, 고품질 pKa 데이터의 신속한 증강은 여전히 근본적으로 제한되어 있습니다. 본 연구의 일환으로, 우리는 광범위하게 최적화된 머신러닝 모델 컬렉션을 사용하여 레이블이 없는 분자 데이터셋에 대해 대규모 회귀 기반 pKa 예측을 수행했습니다. 결과에 따르면, 레이블이 없는 분자 데이터셋의 특징(feature) 분포로 인해 pKa 데이터 분포는 정규성을 띠지만 꼬리 영역(tail-region) 샘플은 극도로 희소한 것으로 나타났습니다. 이러한 데이터 증강은 전반적인 데이터 가용성과 예측 모델링을 향상시키는 데 매우 가치가 있지만, 광범위한 스펙트럼의 pKa 특성을 가진 분자를 효율적으로 발견하는 데에는 여전히 부족합니다. 이를 해결하기 위해, 우리는 광대한 화학 공간에서 희소한 pKa 특성을 가진 분자의 목표 지향 생성을 탐구합니다. 분자 생성을 위한 기존의 연속 잠재 공간 VAE-RNN 방법은 안정성이 부족하고 희소 데이터를 보완하는 데 있어 명확한 이점을 보이지 못한다는 점을 고려하여, 우리는 양자 보조 희소-pKa 분자 생성 방식을 설계하고 구현했습니다. 타당성은 시뮬레이션된 양자 어닐러에서 검증되었으며, 물리적 코히어런트 이징 머신(Coherent Ising Machines, CIMs)에서는 우수한 극값 샘플링이 추가로 달성되었습니다. (계속)