Fugu-MT 論文翻訳(概要): Multitask machine learning of collective variables for enhanced sampling of rare events

論文の概要: Multitask machine learning of collective variables for enhanced sampling of rare events

arxiv url: http://arxiv.org/abs/2012.03909v1
Date: Mon, 7 Dec 2020 18:40:18 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 20:45:48.206973
Title: Multitask machine learning of collective variables for enhanced sampling of rare events
Title（参考訳）: 希少事象の高次サンプリングのための集合変数のマルチタスク機械学習
Authors: Lixin Sun, Jonathan Vandermause, Simon Batzner, Yu Xie, David Clark, Wei Chen, Boris Kozinsky
Abstract要約: データ駆動の機械学習アルゴリズムは、ニューラルネットワークで集合変数を学習するために考案される。その結果生じる潜在空間は、効果的な低次元表現であることが示される。このアプローチは5d m"uller brownモデル、5d 3-wellモデル、および真空中のアラニンジペプチドを含むモデルシステムにうまく適用できる。
参考スコア（独自算出の注目度）: 9.632096602077919
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Computing accurate reaction rates is a central challenge in computational chemistry and biology because of the high cost of free energy estimation with unbiased molecular dynamics. In this work, a data-driven machine learning algorithm is devised to learn collective variables with a multitask neural network, where a common upstream part reduces the high dimensionality of atomic configurations to a low dimensional latent space, and separate downstream parts map the latent space to predictions of basin class labels and potential energies. The resulting latent space is shown to be an effective low-dimensional representation, capturing the reaction progress and guiding effective umbrella sampling to obtain accurate free energy landscapes. This approach is successfully applied to model systems including a 5D M\"uller Brown model, a 5D three-well model, and alanine dipeptide in vacuum. This approach enables automated dimensionality reduction for energy controlled reactions in complex systems, offers a unified framework that can be trained with limited data, and outperforms single-task learning approaches, including autoencoders.
Abstract（参考訳）: 計算正確な反応速度は、不偏の分子動力学による自由エネルギー推定のコストが高いため、計算化学と生物学において中心的な課題である。この研究において、データ駆動機械学習アルゴリズムは、マルチタスクニューラルネットワークを用いて集合変数を学習するために考案され、共通の上流部は原子配置の高次元を低次元の潜在空間に還元し、下流部は潜在空間を盆地のラベルとポテンシャルエネルギーの予測にマッピングする。得られた潜在空間は有効な低次元表現であり、反応の進行を捉え、効果的な傘サンプリングを導いて正確な自由エネルギー景観を得る。このアプローチは5d m\"uller brownモデル、5d three-wellモデル、および真空中のアラニンジペプチドを含むモデルシステムにうまく適用できる。このアプローチは、複雑なシステムにおけるエネルギー制御反応の自動次元化を可能にし、限られたデータでトレーニングできる統一フレームワークを提供し、オートエンコーダを含むシングルタスク学習アプローチよりも優れています。

関連論文リスト

Modulating Reservoir Dynamics via Reinforcement Learning for Efficient Robot Skill Synthesis [0.0]
貯水池と呼ばれるランダムなリカレントニューラルネットワークは、コンテキスト入力で条件付けられたロボットの動きを学習するために使用することができる。本稿では,新しいRCベースのLearning from Demonstration(LfD)フレームワークを提案する。
論文参考訳（メタデータ） (2024-11-17T07:25:54Z)
WasteGAN: Data Augmentation for Robotic Waste Sorting through Generative Adversarial Networks [7.775894876221921]
ムダGANと呼ばれる新しいGANアーキテクチャに基づくデータ拡張手法を提案する。提案手法は,ラベル付きサンプルのごく限られたセットから,セマンティックセグメンテーションモデルの性能を向上させることができる。次に、ムダGAN合成データに基づいて訓練されたモデルから予測される高品質なセグメンテーションマスクを活用し、セグメンテーション・アウェア・グルーピング・ポーズを計算する。
論文参考訳（メタデータ） (2024-09-25T15:04:21Z)
Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
論文参考訳（メタデータ） (2024-07-24T09:11:34Z)
Clustering Molecular Energy Landscapes by Adaptive Network Embedding [2.676713226382288]
分子構造のポテンシャルエネルギー景観をクラスタリングするためのデータ駆動型アプローチを提案する。また、エネルギー景観の階層的なサンプリングのためのエントロピー感度適応スキームも組み込んだ。 Lennard-JonesクラスタとヒトDNA配列を通して、このフレームワークを実証する。
論文参考訳（メタデータ） (2024-01-19T17:12:07Z)
Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文参考訳（メタデータ） (2023-06-09T18:40:55Z)
GANs and Closures: Micro-Macro Consistency in Multiscale Modeling [0.0]
本稿では,物理シミュレーションとバイアス法を併用して,条件分布をサンプリングする手法を提案する。このフレームワークは, マルチスケールSDE動的システムサンプリングを改善することができることを示すとともに, 複雑性が増大するシステムにも期待できることを示す。
論文参考訳（メタデータ） (2022-08-23T03:45:39Z)
Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
論文参考訳（メタデータ） (2021-08-05T10:39:39Z)
Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文参考訳（メタデータ） (2020-10-20T08:36:51Z)
Evidential Sparsification of Multimodal Latent Spaces in Conditional Variational Autoencoders [63.46738617561255]
訓練された条件付き変分オートエンコーダの離散潜時空間をスパース化する問題を考察する。顕在的理論を用いて、特定の入力条件から直接証拠を受け取る潜在クラスを特定し、そうでないクラスをフィルタリングする。画像生成や人間の行動予測などの多様なタスクの実験により,提案手法の有効性を実証した。
論文参考訳（メタデータ） (2020-10-19T01:27:21Z)
Ensemble Learning of Coarse-Grained Molecular Dynamics Force Fields with a Kernel Approach [2.562811344441631]
グラディエントドメイン機械学習(GDML)は、分子ポテンシャルと関連する力場を学習するための正確で効率的なアプローチである。全原子シミュレーションデータから有効粗粒度(CG)モデルを学習するための応用を実証する。アンサンブル学習と階層化サンプリングを用いて,データ効率とメモリ節約の代替案を提案する。
論文参考訳（メタデータ） (2020-05-04T21:20:01Z)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。