論文の概要: MLIMC: Machine learning-based implicit-solvent Monte Carlo
- arxiv url: http://arxiv.org/abs/2109.12100v1
- Date: Fri, 24 Sep 2021 17:47:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 15:29:54.164100
- Title: MLIMC: Machine learning-based implicit-solvent Monte Carlo
- Title（参考訳）: MLIMC: 機械学習に基づく暗黙解モンテカルロ
- Authors: Jiahui Chen, Weihua Geng, Guo-Wei Wei
- Abstract要約: 機械学習に基づく暗黙解法モンテカルロ法(MLIMC)を開発した。
具体的には、MLIMC法では、高速かつ正確なPBベースの機械学習スキームを使用して、各ステップで静電溶解自由エネルギーを計算する。
- 参考スコア（独自算出の注目度）: 1.8284033205909684
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monte Carlo (MC) methods are important computational tools for molecular
structure optimizations and predictions. When solvent effects are explicitly
considered, MC methods become very expensive due to the large degree of freedom
associated with the water molecules and mobile ions. Alternatively
implicit-solvent MC can largely reduce the computational cost by applying a
mean field approximation to solvent effects and meanwhile maintains the atomic
detail of the target molecule. The two most popular implicit-solvent models are
the Poisson-Boltzmann (PB) model and the Generalized Born (GB) model in a way
such that the GB model is an approximation to the PB model but is much faster
in simulation time. In this work, we develop a machine learning-based
implicit-solvent Monte Carlo (MLIMC) method by combining the advantages of both
implicit solvent models in accuracy and efficiency. Specifically, the MLIMC
method uses a fast and accurate PB-based machine learning (PBML) scheme to
compute the electrostatic solvation free energy at each step. We validate our
MLIMC method by using a benzene-water system and a protein-water system. We
show that the proposed MLIMC method has great advantages in speed and accuracy
for molecular structure optimization and prediction.
- Abstract（参考訳）: モンテカルロ法(MC)は分子構造最適化と予測のための重要な計算ツールである。
溶媒効果を明示的に考慮すると、水分子や移動イオンと関連する自由度が高いため、MC法は非常に高価になる。
あるいは、暗黙の溶媒MCは、溶媒効果に平均場近似を適用することで計算コストを大幅に削減し、一方、標的分子の原子詳細を維持できる。
最も一般的な暗黙的解法モデルはポアソン・ボルツマン(PB)モデルと一般化ボルン(GB)モデルであり、GBモデルはPBモデルの近似であるがシミュレーション時間でははるかに高速である。
本研究では,暗黙溶剤モデルの利点を精度と効率で組み合わせることにより,機械学習に基づく暗黙溶剤モンテカルロ法(mlimc)を開発した。
特に、MLIMC法では、PBML(PB-based machine learning)方式を用いて、各ステップで静電溶解自由エネルギーを計算する。
ベンゼン-水系とタンパク質-水系を用いてMLIMC法を検証する。
提案手法は分子構造最適化と予測の高速化と精度に優れた利点があることを示す。
関連論文リスト
- Predicting solvation free energies with an implicit solvent machine learning potential [0.0]
本稿では,小さな有機分子に対する暗黙の溶媒MLポテンシャルをパラメータ化するために,Solvation Free Energy Path Reweighting (ReSolv) フレームワークを導入する。
トップダウン(実験的な水和自由エネルギーデータ)とボトムアップ(真空中の分子の初期データ)の学習の組み合わせにより、ReSolvは明示的なバルク溶媒中の分子の難解なアブ初期データの必要性を回避した。
明示的な溶媒MLポテンシャルと比較して、ReSolvは4桁の計算スピードアップを提供し、実験と密接に一致している。
論文 参考訳（メタデータ） (2024-05-31T20:28:08Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Gaussian process regression and conditional Karhunen-Lo\'{e}ve models
for data assimilation in inverse problems [68.8204255655161]
偏微分方程式モデルにおけるデータ同化とパラメータ推定のためのモデル逆アルゴリズムCKLEMAPを提案する。
CKLEMAP法は標準的なMAP法に比べてスケーラビリティがよい。
論文 参考訳（メタデータ） (2023-01-26T18:14:12Z) - 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) - Optimal control of quantum thermal machines using machine learning [0.0]
本稿では、量子熱機械における有限時間熱力学過程の最適化に微分可能プログラミング(DP)を用いることを示す。
制約付き最適化タスクとしてSTA駆動プロトコルを定式化し、DPを適用して最適な運転プロファイルを求める。
提案手法と結果から,MLは量子制御の難解化と,その理論的基礎を考案・評価するのにも有用であることが示された。
論文 参考訳（メタデータ） (2021-08-27T18:00:49Z) - Graphical Gaussian Process Regression Model for Aqueous Solvation Free
Energy Prediction of Organic Molecules in Redox Flow Battery [2.7919873713279033]
本稿では,有機分子の溶解自由エネルギーを学習し,予測する機械学習モデルを提案する。
我々は,MLモデルを用いて,分子の解離自由エネルギーを1kcal/mol未満の平均絶対誤差で化学的精度で予測できることを実証した。
論文 参考訳（メタデータ） (2021-06-15T13:48:26Z) - Machine Learning Implicit Solvation for Molecular Dynamics [0.0]
平均力の暗黙の溶媒ポテンシャルをモデル化するために,グラフニューラルネットワークであるボルネットを導入した。
この手法の成功は、溶媒効果の正確なモデリングに機械学習手法を適用することの潜在的利点を示すものである。
論文 参考訳（メタデータ） (2021-06-14T15:21:45Z) - Covert Model Poisoning Against Federated Learning: Algorithm Design and
Optimization [76.51980153902774]
フェデレーテッド・ラーニング(FL)はパラメータ伝達中にFLモデルに対する外部攻撃に対して脆弱である。
本稿では,最先端の防御アグリゲーション機構に対処する有効なMPアルゴリズムを提案する。
実験の結果,提案したCMPアルゴリズムは,既存の攻撃機構よりも効果的で,かなり優れていることが示された。
論文 参考訳（メタデータ） (2021-01-28T03:28:18Z) - No MCMC for me: Amortized sampling for fast and stable training of
energy-based models [62.1234885852552]
エネルギーベースモデル(EBM)は、不確実性を表す柔軟で魅力的な方法である。
本稿では,エントロピー規則化ジェネレータを用いてEMMを大規模に訓練し,MCMCサンプリングを記憶する簡単な方法を提案する。
次に、最近提案されたジョイント・エナジー・モデル(JEM)に推定器を適用し、元の性能と高速で安定したトレーニングとを一致させる。
論文 参考訳（メタデータ） (2020-10-08T19:17:20Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。