論文の概要: Operator Autoencoders: Learning Physical Operations on Encoded Molecular
Graphs
- arxiv url: http://arxiv.org/abs/2105.12295v1
- Date: Wed, 26 May 2021 01:55:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-27 13:14:26.031815
- Title: Operator Autoencoders: Learning Physical Operations on Encoded Molecular
Graphs
- Title(参考訳): 演算子オートエンコーダ:符号化された分子グラフによる物理操作の学習
- Authors: Willis Hoke, Daniel Shea, and Stephen Casey
- Abstract要約: 分子動力学シミュレーションから時系列データのボリューム表現を確立するパイプラインを開発する。
次にオートエンコーダを訓練し、将来のタイムステップを予測できる潜在空間への非線形写像を求める。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Molecular dynamics simulations produce data with complex nonlinear dynamics.
If the timestep behavior of such a dynamic system can be represented by a
linear operator, future states can be inferred directly without expensive
simulations. The use of an autoencoder in combination with a physical timestep
operator allows both the relevant structural characteristics of the molecular
graphs and the underlying physics of the system to be isolated during the
training process. In this work, we develop a pipeline for establishing
graph-structured representations of time-series volumetric data from molecular
dynamics simulations. We then train an autoencoder to find nonlinear mappings
to a latent space where future timesteps can be predicted through application
of a linear operator trained in tandem with the autoencoder. Increasing the
dimensionality of the autoencoder output is shown to improve the accuracy of
the physical timestep operator.
- Abstract(参考訳): 分子動力学シミュレーションは複雑な非線形力学を持つデータを生成する。
そのような動的システムの時間ステップの挙動を線形作用素で表すことができれば、将来の状態は高価なシミュレーションなしで直接推測できる。
オートエンコーダと物理時間ステップ演算子を組み合わせることで、分子グラフの関連する構造的特徴と、トレーニングプロセス中にシステムの基礎となる物理学の両方を分離することができる。
本研究では,分子動力学シミュレーションから時系列容積データのグラフ構造表現を構築するパイプラインを開発する。
次に、オートエンコーダをトレーニングし、オートエンコーダで訓練された線形作用素の適用により、将来のタイムステップを予測する潜在空間への非線形写像を求める。
オートエンコーダ出力の寸法を増加させることにより、物理時間ステップ演算子の精度を向上させる。
関連論文リスト
- Machine learning approach to detect dynamical states from recurrence
measures [0.0]
本研究では,この研究のために,ロジスティック回帰,ランダムフォレスト,サポートベクトルマシンの3つの機械学習アルゴリズムを実装した。
トレーニングとテストのために、標準的な非線形力学系から合成データを生成する。
トレーニングされたアルゴリズムは、2つの変光星 SX Her と AC Her の動的状態の予測に成功している。
論文 参考訳(メタデータ) (2024-01-18T05:02:36Z) - Extrapolating tipping points and simulating non-stationary dynamics of
complex systems using efficient machine learning [2.44755919161855]
本稿では,非線形力学系の分岐挙動を外挿する次世代貯水池計算に基づく,完全データ駆動型機械学習アルゴリズムを提案する。
こうすることで、目に見えないパラメータ領域のポストタイピングポイントダイナミクスをシミュレートすることができる。
論文 参考訳(メタデータ) (2023-12-11T10:37:28Z) - Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
以上の結果から,KVAEは,合成および実世界の時系列生成ベンチマークにおいて,最先端のGAN法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - Neural Koopman prior for data assimilation [6.699751896019971]
ニューラルネットワークアーキテクチャを使って、潜在空間に動的システムを埋め込む。
本研究では,このようなモデルを長期の継続的再構築のために訓練する手法を提案する。
また,変動データ同化手法の先行として,訓練された動的モデルの有望な利用を示すとともに,自己教師型学習の可能性も示された。
論文 参考訳(メタデータ) (2023-09-11T09:04:36Z) - Interpretable reduced-order modeling with time-scale separation [9.889399863931676]
高次元の偏微分方程式(PDE)は計算物理学や工学でよく見られる。
本稿では,関連する時間スケールの識別を自動化するデータ駆動方式を提案する。
このデータ駆動型スキームは,線形ODEのシステムを分解する独立プロセスを自動的に学習できることを示す。
論文 参考訳(メタデータ) (2023-03-03T19:23:59Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳(メタデータ) (2022-11-09T09:55:14Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳(メタデータ) (2022-09-07T15:15:12Z) - Adaptive Machine Learning for Time-Varying Systems: Low Dimensional
Latent Space Tuning [91.3755431537592]
本稿では,時間変化システムを対象とした適応機械学習手法を提案する。
我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。
そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
論文 参考訳(メタデータ) (2021-07-13T16:05:28Z) - Accelerating Simulation of Stiff Nonlinear Systems using Continuous-Time
Echo State Networks [1.1545092788508224]
本研究では, 非線形常微分方程式の代用格子を動的に生成するデータ駆動手法を提案する。
加熱システムの物理的に動機付けられたスケーラブルなモデル上で,CTESNを用いたほぼ一定時間の性能を実証的に実証した。
論文 参考訳(メタデータ) (2020-10-07T17:40:06Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z) - Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
クープマン理論に関連する新しい物理学に基づく手法が導入された。
本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。
このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
論文 参考訳(メタデータ) (2020-03-04T18:24:30Z)
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。