論文の概要: Embedded-physics machine learning for coarse-graining and collective
variable discovery without data
- arxiv url: http://arxiv.org/abs/2002.10148v1
- Date: Mon, 24 Feb 2020 10:28:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 03:29:38.617651
- Title: Embedded-physics machine learning for coarse-graining and collective
variable discovery without data
- Title（参考訳）: データなしの粗粒化と集団変数発見のための埋め込み物理機械学習
- Authors: Markus Sch\"oberl, Nicholas Zabaras, Phaedon-Stelios Koutsourelakis
- Abstract要約: 基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。
原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。
本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
- 参考スコア（独自算出の注目度）: 3.222802562733787
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel learning framework that consistently embeds underlying
physics while bypassing a significant drawback of most modern, data-driven
coarse-grained approaches in the context of molecular dynamics (MD), i.e., the
availability of big data. The generation of a sufficiently large training
dataset poses a computationally demanding task, while complete coverage of the
atomistic configuration space is not guaranteed. As a result, the explorative
capabilities of data-driven coarse-grained models are limited and may yield
biased "predictive" tools. We propose a novel objective based on reverse
Kullback-Leibler divergence that fully incorporates the available physics in
the form of the atomistic force field. Rather than separating model learning
from the data-generation procedure - the latter relies on simulating atomistic
motions governed by force fields - we query the atomistic force field at sample
configurations proposed by the predictive coarse-grained model. Thus, learning
relies on the evaluation of the force field but does not require any MD
simulation. The resulting generative coarse-grained model serves as an
efficient surrogate model for predicting atomistic configurations and
estimating relevant observables. Beyond obtaining a predictive coarse-grained
model, we demonstrate that in the discovered lower-dimensional representation,
the collective variables (CVs) are related to physicochemical properties, which
are essential for gaining understanding of unexplored complex systems. We
demonstrate the algorithmic advances in terms of predictive ability and the
physical meaning of the revealed CVs for a bimodal potential energy function
and the alanine dipeptide.
- Abstract（参考訳）: 本稿では,分子動力学(md)の文脈における最新のデータ駆動粗粒的アプローチ,すなわちビッグデータの可用性の重大な欠点を回避しつつ,基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。
十分に大きなトレーニングデータセットの生成は計算的に要求されるタスクとなるが、原子構成空間の完全なカバレッジは保証されない。
その結果、データ駆動粗粒モデルの探索能力は制限され、バイアスのある「予測的」なツールが得られる。
原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。
データ生成手順からモデル学習を分離する代わりに、後者は力場によって支配される原子論的動きをシミュレートすることに依存している。
したがって、学習は力場の評価に依存するが、MDシミュレーションは不要である。
生成した生成粗粒モデルは、原子構成を予測し、関連する可観測性を予測するための効率的なサロゲートモデルとして機能する。
予測粗粒度モデルを得る以外に, 発見されている低次元表現では, 集合変数 (cvs) が物理化学的性質と関連していることを示す。
本研究では,二様ポテンシャルエネルギー関数とアラニンジペプチドに対するcvsの予測能力と物理的意味の観点からアルゴリズムの進歩を示す。
関連論文リスト
- Towards a Theoretical Understanding of Memorization in Diffusion Models [76.85077961718875]
拡散確率モデル(DPM)は、生成人工知能(GenAI)の主流モデルとして採用されている。
モデル収束を前提とした条件付きおよび非条件付きDPMにおける記憶の理論的理解を提供する。
本研究では、生成されたデータに基づいて訓練された時間依存型分類器を代理条件として利用し、無条件DPMからトレーニングデータを抽出する、textbfSurrogate condItional Data extract (SIDE) という新しいデータ抽出手法を提案する。
論文 参考訳（メタデータ） (2024-10-03T13:17:06Z) - Enhanced sampling of robust molecular datasets with uncertainty-based
collective variables [0.0]
化学関連データポイントの取得を導くために,不確実性を集合変数(CV)として活用する手法を提案する。
このアプローチでは、1つのモデルからのガウス混合モデルに基づく不確実性測定を、偏りのある分子動力学シミュレーションのためのCVとして採用する。
論文 参考訳（メタデータ） (2024-02-06T06:42:51Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Generative structured normalizing flow Gaussian processes applied to
spectroscopic data [4.0773490083614075]
物理科学では、限られた訓練データは将来の観測データを適切に特徴づけることができない。
特に外挿を依頼される場合、モデルが不確実性を適切に示すことは重要である。
火星探査機キュリオシティに搭載されたChemCam装置のレーザ誘起分解分光データに関する方法論を実証した。
論文 参考訳（メタデータ） (2022-12-14T23:57:46Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z) - A physics-informed operator regression framework for extracting
data-driven continuum models [0.0]
高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。
提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。
局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-09-25T01:13:51Z) - A probabilistic generative model for semi-supervised training of
coarse-grained surrogates and enforcing physical constraints through virtual
observables [3.8073142980733]
本稿では、トレーニング目的と代理モデル自体の両方において、物理的構造と情報を考慮した柔軟な確率的フレームワークを提供する。
我々は、物理から得られる等式を仮想観測可能なものとして導入し、その可能性を通じて追加情報を提供する確率論的モデルを提案する。
論文 参考訳（メタデータ） (2020-06-02T17:14:36Z) - Incorporating physical constraints in a deep probabilistic machine
learning framework for coarse-graining dynamical systems [7.6146285961466]
本稿では,予測の不確実性の定量化を可能にする,データに基づく確率論的視点を提供する。
確率的状態空間モデルを用いて粗粒化過程を定式化する。
完全な微細なシステムの進化を再構築することができる。
論文 参考訳（メタデータ） (2019-12-30T16:07:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。