論文の概要: Online Change Point Detection in Molecular Dynamics With Optical Random Features

• arxiv url: http://arxiv.org/abs/2006.08697v2
• Date: Wed, 17 Jun 2020 07:47:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 05:21:49.091462
• Title: Online Change Point Detection in Molecular Dynamics With Optical Random Features
• Title（参考訳）: 光ランダム特徴を持つ分子動力学におけるオンライン変化点検出
• Authors: Am\'elie Chatelain, Elena Tommasone, Laurent Daudet, Iacopo Poli
• Abstract要約: そこで本研究では,光学ハードウェアを用いてリアルタイムに変化を識別するアルゴリズムを提案する。 我々の方法は、タンパク質の背景とタンパク質自体を区別する必要がない。 多数の機能を持つ他のシーケンシャルデータにおける変更点の検出にも使用することができる。
• 参考スコア（独自算出の注目度）: 4.060951302219144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proteins are made of atoms constantly fluctuating, but can occasionally undergo large-scale changes. Such transitions are of biological interest, linking the structure of a protein to its function with a cell. Atomic-level simulations, such as Molecular Dynamics (MD), are used to study these events. However, molecular dynamics simulations produce time series with multiple observables, while changes often only affect a few of them. Therefore, detecting conformational changes has proven to be challenging for most change-point detection algorithms. In this work, we focus on the identification of such events given many noisy observables. In particular, we show that the No-prior-Knowledge Exponential Weighted Moving Average (NEWMA) algorithm can be used along optical hardware to successfully identify these changes in real-time. Our method does not need to distinguish between the background of a protein and the protein itself. For larger simulations, it is faster than using traditional silicon hardware and has a lower memory footprint. This technique may enhance the sampling of the conformational space of molecules. It may also be used to detect change-points in other sequential data with a large number of features.
• Abstract（参考訳）: タンパク質は絶えず変動する原子でできているが、時々大規模な変化を起こすことがある。 このような遷移は生物学的に興味を持ち、タンパク質の構造とその機能と細胞をつなぐ。 分子動力学(MD)のような原子レベルのシミュレーションはこれらの現象を研究するために用いられる。 しかし、分子動力学シミュレーションは複数の観測可能な時系列を生成するが、変化はしばしばそれらの数個しか影響しない。 したがって、ほとんどの変化点検出アルゴリズムではコンフォメーション変化の検出は困難であることが証明されている。 本研究では,多くのノイズ観測値が与えられた事象の同定に焦点をあてる。 特に,Non-Knowledge Exponential Weighted moving Average (NEWMA)アルゴリズムは,光ハードウェアに沿って,これらの変化をリアルタイムに識別できることを示す。 我々の方法は、タンパク質の背景とタンパク質自体を区別する必要がない。 より大きなシミュレーションでは、従来のシリコンハードウェアよりも高速で、メモリフットプリントも少ない。 この手法は分子のコンフォメーション空間のサンプリングを強化することができる。 多数の機能を持つ他のシーケンシャルデータにおける変更点の検出にも使用することができる。

関連論文リスト

• Toward end-to-end quantum simulation for protein dynamics [5.65693337062667]
  機械的力やノイズなど,様々なタンパク質動態に対するエンドツーエンドの量子アルゴリズムを体系的に検討する。 i) 対向型乱数生成器とリジェクションサンプリングを利用して, 初期状態生成のための効率的な量子アルゴリズムを設計する。 本アルゴリズムは, エネルギー, 低振動モード, 状態密度, 変位の相関, 分子動力学の最適制御など, 様々な古典的観測対象を推定する。
  論文  参考訳（メタデータ） (2024-11-06T15:10:15Z)
• Changen2: Multi-Temporal Remote Sensing Generative Change Foundation Model [62.337749660637755]
  安価で自動的な生成モデルに基づく変更データ生成器を提案する。 Changen2は、自己監督を通じて大規模にトレーニング可能な、生成的な変更基盤モデルである。 得られたモデルには、固有のゼロショット変化検出機能と優れた転送性がある。
  論文  参考訳（メタデータ） (2024-06-26T01:03:39Z)
• Detecting subtle macroscopic changes in a finite temperature classical scalar field with machine learning [4.338046424969693]
  本研究は多体系における微妙なマクロな変化を検出するための玩具モデルである。 物理法,統計法,AI法など,様々な微分法の比較を行った。 以上の結果から,AI法は統計的手法と物理法の両方を感度で上回っていることが示唆された。
  論文  参考訳（メタデータ） (2023-11-21T02:45:53Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Collective variable discovery in the age of machine learning: reality, hype and everything in between [0.0]
  分子動力学シミュレーションは、生体分子の運動力学と分子認識を理解するために日常的に用いられている。 物理化学において、これらの低次元変数はしばしば集合変数と呼ばれる。 本稿では、幾何学的変数から抽象変数まで、よく使われる集合変数のいくつかのニュアンスについて紹介する。
  論文  参考訳（メタデータ） (2021-12-06T17:58:53Z)
• Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
  分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。 分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
  論文  参考訳（メタデータ） (2021-10-26T14:14:40Z)
• Deep learning based mixed-dimensional GMM for characterizing variability in CryoEM [0.0]
  CryoEMは、コンフォメーション状態とコンフォメーション状態の異なる個々のマクロ分子を直接可視化する。 タンパク質や複合体のコンフォメーションランドスケープを決定する機械学習アルゴリズムを提案する。 本手法をいくつかの異なる生体分子系に応用し,様々なスケールで組成変化およびコンフォメーション変化を探索する。
  論文  参考訳（メタデータ） (2021-01-25T19:05:23Z)
• Spectral Learning on Matrices and Tensors [74.88243719463053]
  テンソル分解は行列法で欠落する潜伏効果を拾うことができることを示す。 また,効率的なテンソル分解法を設計するための計算手法についても概説する。
  論文  参考訳（メタデータ） (2020-04-16T22:53:00Z)

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。