論文の概要: Uncertainty estimation for molecular dynamics and sampling

• arxiv url: http://arxiv.org/abs/2011.08828v2
• Date: Thu, 14 Jan 2021 18:57:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 08:40:33.139137
• Title: Uncertainty estimation for molecular dynamics and sampling
• Title（参考訳）: 分子動力学とサンプリングの不確かさ推定
• Authors: Giulio Imbalzano, Yongbin Zhuang, Venkat Kapil, Kevin Rossi, Edgar A. Engel, Federico Grasselli, Michele Ceriotti
• Abstract要約: 機械学習モデルは、時間を要する電子構造計算をサイドステップする非常に効果的な戦略として登場した。 モデルのトレーニング中に含まれる有限個の参照構造から導かれる誤差を推定することは非常に重要である。 本報告では, 水や液体ガリウムほど多様な構造特性と熱力学特性, システムについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning models have emerged as a very effective strategy to sidestep time-consuming electronic-structure calculations, enabling accurate simulations of greater size, time scale and complexity. Given the interpolative nature of these models, the reliability of predictions depends on the position in phase space, and it is crucial to obtain an estimate of the error that derives from the finite number of reference structures included during the training of the model. When using a machine-learning potential to sample a finite-temperature ensemble, the uncertainty on individual configurations translates into an error on thermodynamic averages, and provides an indication for the loss of accuracy when the simulation enters a previously unexplored region. Here we discuss how uncertainty quantification can be used, together with a baseline energy model, or a more robust although less accurate interatomic potential, to obtain more resilient simulations and to support active-learning strategies. Furthermore, we introduce an on-the-fly reweighing scheme that makes it possible to estimate the uncertainty in the thermodynamic averages extracted from long trajectories. We present examples covering different types of structural and thermodynamic properties, and systems as diverse as water and liquid gallium.
• Abstract（参考訳）: 機械学習モデルは、時間を要する電子構造計算を回避し、サイズ、時間スケール、複雑さの正確なシミュレーションを可能にする、非常に効果的な戦略として登場した。 これらのモデルの補間的性質を考えると、予測の信頼性は位相空間における位置に依存し、モデルのトレーニング中に含まれる有限個の参照構造から導かれる誤差を推定することは非常に重要である。 機械学習ポテンシャルを用いて有限温度アンサンブルをサンプリングすると、個々の構成の不確かさは熱力学的平均の誤差に変換され、シミュレーションが以前未探索領域に入ったときの精度の低下を示す。 本稿では,不確実性定量化とベースラインエネルギーモデル,あるいはより強固な原子間ポテンシャル,よりレジリエントなシミュレーションの獲得,アクティブラーニング戦略のサポートについて論じる。 さらに,長軌跡から抽出した熱力学的平均値の不確かさを推定できるオンザフライリウィーディング方式を導入する。 本報告では, 水や液体ガリウムほど多様な構造特性と熱力学特性, システムについて述べる。

関連論文リスト

• Quantification of total uncertainty in the physics-informed reconstruction of CVSim-6 physiology [1.6874375111244329]
  本研究では,MC X-TFCを模擬した微分系の状態とパラメータの推定における総不確かさの分解について検討した。 MC X-TFCは、ヒト生理学の文脈で開発された6成分の固形ODEであるCVSim-6モデルに適用される。
  論文  参考訳（メタデータ） (2024-08-13T21:10:39Z)
• Modeling the unphysical pseudomode model with physical ensembles: simulation, mitigation, and restructuring of non-Markovian quantum noise [0.9549646359252346]
  擬モードモデル自体のアナログまたはデジタル量子シミュレーションの潜在的な利点を考察する。 物理系の計測アンサンブルを用いて非物理的擬態モデルの効果を再現できることを示す。
  論文  参考訳（メタデータ） (2023-11-26T08:56:42Z)
• Bayesian inference of composition-dependent phase diagrams [47.79947989845143]
  本研究では,分子動力学(MD),融点シミュレーション,フォノン計算からの熱力学データを合成し,これらのデータを処理し,温度集中相図を生成する手法を開発した。 開発したアルゴリズムは,Ge-SiとK-Naの2つの二元系において,全濃度および温度で試験に成功した。
  論文  参考訳（メタデータ） (2023-09-03T20:57:10Z)
• Accurate melting point prediction through autonomous physics-informed learning [52.217497897835344]
  NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。 固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T07:53:09Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• 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)
• Physics-aware, probabilistic model order reduction with guaranteed stability [0.0]
  実効, 低次元, 粗粒度ダイナミクスモデル学習のための生成的枠組みを提案する。 粒子力学のマルチスケール物理系におけるその有効性と精度を実証する。
  論文  参考訳（メタデータ） (2021-01-14T19:16:51Z)
• Embedded-physics machine learning for coarse-graining and collective variable discovery without data [3.222802562733787]
  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。
  論文  参考訳（メタデータ） (2020-02-24T10:28:41Z)

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。