Fugu-MT 論文翻訳(概要): Coarse Graining Molecular Dynamics with Graph Neural Networks

論文の概要: Coarse Graining Molecular Dynamics with Graph Neural Networks

arxiv url: http://arxiv.org/abs/2007.11412v3
Date: Fri, 6 Nov 2020 15:57:54 GMT
ステータス: 処理完了
システム内更新日: 2022-11-07 23:22:58.475998
Title: Coarse Graining Molecular Dynamics with Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークを用いた粗粒分子動力学
Authors: Brooke E. Husic, Nicholas E. Charron, Dominik Lemm, Jiang Wang, Adri\`a P\'erez, Maciej Majewski, Andreas Kr\"amer, Yaoyi Chen, Simon Olsson, Gianni de Fabritiis, Frank No\'e, Cecilia Clementi
Abstract要約: 本稿では,粗大な力場の機械学習のためのハイブリッドアーキテクチャを導入し,サブネットワークを介してそれぞれの特徴を学習する。この枠組みは, 生体分子系における熱力学の再現に有効であることを示す。
参考スコア（独自算出の注目度）: 3.0279361008741827
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Coarse graining enables the investigation of molecular dynamics for larger systems and at longer timescales than is possible at atomic resolution. However, a coarse graining model must be formulated such that the conclusions we draw from it are consistent with the conclusions we would draw from a model at a finer level of detail. It has been proven that a force matching scheme defines a thermodynamically consistent coarse-grained model for an atomistic system in the variational limit. Wang et al. [ACS Cent. Sci. 5, 755 (2019)] demonstrated that the existence of such a variational limit enables the use of a supervised machine learning framework to generate a coarse-grained force field, which can then be used for simulation in the coarse-grained space. Their framework, however, requires the manual input of molecular features upon which to machine learn the force field. In the present contribution, we build upon the advance of Wang et al.and introduce a hybrid architecture for the machine learning of coarse-grained force fields that learns their own features via a subnetwork that leverages continuous filter convolutions on a graph neural network architecture. We demonstrate that this framework succeeds at reproducing the thermodynamics for small biomolecular systems. Since the learned molecular representations are inherently transferable, the architecture presented here sets the stage for the development of machine-learned, coarse-grained force fields that are transferable across molecular systems.
Abstract（参考訳）: 粗粒粒化は、原子分解能よりも大きな系と長い時間スケールでの分子動力学の研究を可能にする。しかしながら、粗粒度モデルは、我々がそこから引き出す結論が、より詳細なレベルでモデルから引き出す結論と一致するように定式化されなければならない。力マッチングスキームは、変動限界における原子系の熱力学的に一貫した粗粒度モデルを定義することが証明されている。王等。 [ACS Cent. Sci. 5, 755 (2019)] は、そのような変動制限の存在により、教師付き機械学習フレームワークを使用して粗粒度力場を生成し、粗粒度空間でのシミュレーションに使用できることを示した。しかし、それらの枠組みは、力場を機械で学習する分子の特徴の手動入力を必要とする。本稿では,wangらの進歩に基づいて,グラフニューラルネットワークアーキテクチャ上で連続フィルタ畳み込みを利用するサブネットワークを通じて独自の特徴を学習する粗粒力場の機械学習のためのハイブリッドアーキテクチャを提案する。この枠組みは, 小分子系の熱力学を再現することに成功した。学習された分子表現は本質的に伝達可能であるため、ここで提示されるアーキテクチャは、分子系間で伝達可能な機械学習された粗粒の力場の開発の段階を設定する。

関連論文リスト

GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
論文参考訳（メタデータ） (2024-11-03T19:45:15Z)
Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文参考訳（メタデータ） (2024-11-03T01:56:15Z)
Thermodynamic Transferability in Coarse-Grained Force Fields using Graph Neural Networks [36.136619420474766]
グラフ畳み込みニューラルネットワークアーキテクチャを用いて、粗いきめ細かい力場のための高度に自動化されたトレーニングパイプラインを開発する。この手法により, 高精度な力場が得られるが, これらの力場は様々な熱力学条件によりより伝達可能であることを示す。
論文参考訳（メタデータ） (2024-06-17T21:44:05Z)
Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文参考訳（メタデータ） (2023-06-08T17:12:08Z)
Two for One: Diffusion Models and Force Fields for Coarse-Grained Molecular Dynamics [15.660348943139711]
我々は、スコアベース生成モデル、力場、分子動力学の接続を利用して、トレーニング中に力入力を必要とせずにCG力場を学習する。従来よりも大幅に簡易化されたトレーニングセットアップを持つ一方で,本手法がいくつかの小～中規模のタンパク質シミュレーションの性能向上につながることを実証した。
論文参考訳（メタデータ） (2023-02-01T17:09:46Z)
Developing Machine-Learned Potentials for Coarse-Grained Molecular Simulations: Challenges and Pitfalls [0.0]
粗粒化(CG)は、原子分解能で達成できるものよりも大きな系とより長い時間スケールで分子特性を調べることができる。近年,CG粒子相互作用の学習,すなわちCG力場の開発のために機械学習技術が提案されている。この研究では、各CG粒子に作用する力は、連続的なフィルタ畳み込みによって構築されたSchNetという名前の局所環境の学習された表現と相関する。
論文参考訳（メタデータ） (2022-09-26T18:32:37Z)
GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
論文参考訳（メタデータ） (2022-03-06T09:47:01Z)
GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文参考訳（メタデータ） (2021-06-08T14:17:59Z)
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)
Symmetry-adapted graph neural networks for constructing molecular dynamics force fields [10.820190246285122]
分子動力学シミュレーションのための力場を自動構築する対称性適応グラフニューラルネットワークフレームワークを開発した。 MDGNNは古典的分子動力学と第一原理分子動力学の両方の結果を正確に再現する。
論文参考訳（メタデータ） (2021-01-08T09:32:24Z)

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。