論文の概要: A2I Transformer: Permutation-equivariant attention network for pairwise
and many-body interactions with minimal featurization
- arxiv url: http://arxiv.org/abs/2110.14374v1
- Date: Wed, 27 Oct 2021 12:18:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 15:11:38.410656
- Title: A2I Transformer: Permutation-equivariant attention network for pairwise
and many-body interactions with minimal featurization
- Title（参考訳）: a2i変圧器 : 最小フィギュライゼーションによる対および多体相互作用のための置換同形注意ネットワーク
- Authors: Ji Woong Yu, Min Young Ha, Bumjoon Seo, and Won Bo Lee
- Abstract要約: 本研究では,粒子の座標から原子間エネルギーを直接予測するエンド・ツー・エンドモデルを提案する。
我々は,周期境界条件 (PBC) や$n$-body相互作用,バイナリ合成など,分子シミュレーション問題におけるいくつかの課題に対して実験を行った。
- 参考スコア（独自算出の注目度）: 0.1469945565246172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The combination of neural network potential (NNP) with molecular simulations
plays an important role in an efficient and thorough understanding of a
molecular system's potential energy surface (PES). However, grasping the
interplay between input features and their local contribution to NNP is
growingly evasive due to heavy featurization. In this work, we suggest an
end-to-end model which directly predicts per-atom energy from the coordinates
of particles, avoiding expert-guided featurization of the network input.
Employing self-attention as the main workhorse, our model is intrinsically
equivariant under the permutation operation, resulting in the invariance of the
total potential energy. We tested our model against several challenges in
molecular simulation problems, including periodic boundary condition (PBC),
$n$-body interaction, and binary composition. Our model yielded stable
predictions in all tested systems with errors significantly smaller than the
potential energy fluctuation acquired from molecular dynamics simulations.
Thus, our work provides a minimal baseline model that encodes complex
interactions in a condensed phase system to facilitate the data-driven analysis
of physicochemical systems.
- Abstract（参考訳）: ニューラルネットワーク電位(NNP)と分子シミュレーションの組み合わせは、分子系のポテンシャルエネルギー表面(PES)の効率的かつ徹底的な理解において重要な役割を果たす。
しかし, 入力特徴とNNPへの局所的寄与との相互作用の把握は, 強靭化により回避されつつある。
本研究では,粒子の座標から原子単位のエネルギーを直接予測し,ネットワーク入力のエキスパートガイドによる実現を回避したエンド・ツー・エンドモデルを提案する。
自己着脱を主な作業馬として用いることにより,本モデルは置換操作下で本質的に同値であり,全ポテンシャルエネルギーのばらつきが生じる。
我々は,周期境界条件 (PBC) や$n$-body相互作用,バイナリ合成など,分子シミュレーション問題におけるいくつかの課題に対して実験を行った。
分子動力学シミュレーションから得られたポテンシャルエネルギー変動よりも誤差が著しく小さい全試験系で安定な予測値を得た。
そこで本研究では, 物理化学系のデータ駆動解析を容易にするために, 凝縮相系の複雑な相互作用を符号化する最小ベースラインモデルを提案する。
関連論文リスト
- Dynamical Mean-Field Theory of Self-Attention Neural Networks [0.0]
トランスフォーマーベースのモデルは、様々な領域で例外的な性能を示している。
動作方法や期待されるダイナミクスについてはほとんど分かっていない。
非平衡状態における非対称ホップフィールドネットワークの研究に手法を用いる。
論文 参考訳（メタデータ） (2024-06-11T13:29:34Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - Interpolating many-body wave functions for accelerated molecular dynamics on the near-exact electronic surface [0.0]
我々は原子配置の空間を通して相関多電子状態のスキームを開発する。
我々は、その後のダイナミクスに対して、ほぼ正確なポテンシャルエネルギー表面への証明可能な収束を示す。
分子動力学の軌跡を体系的に解くため、現代の電子構造アプローチと組み合わせる。
論文 参考訳（メタデータ） (2024-02-16T22:03:37Z) - Enhanced sampling of robust molecular datasets with uncertainty-based
collective variables [0.0]
化学関連データポイントの取得を導くために,不確実性を集合変数(CV)として活用する手法を提案する。
このアプローチでは、1つのモデルからのガウス混合モデルに基づく不確実性測定を、偏りのある分子動力学シミュレーションのためのCVとして採用する。
論文 参考訳（メタデータ） (2024-02-06T06:42:51Z) - Inferring Relational Potentials in Interacting Systems [56.498417950856904]
このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。
NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。
別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
論文 参考訳（メタデータ） (2023-10-23T00:44:17Z) - From Peptides to Nanostructures: A Euclidean Transformer for Fast and
Stable Machine Learned Force Fields [5.013279299982324]
本稿では,疎等式表現と自己注意機構を組み合わせたSO3kratesというトランスフォーマーアーキテクチャを提案する。
SO3kratesは精度、安定性、速度の独特な組み合わせを実現し、拡張時間とシステムサイズスケールでの物質の量子特性の洞察に富んだ分析を可能にする。
論文 参考訳（メタデータ） (2023-09-21T09:22:05Z) - Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum
Computer [50.24983453990065]
我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。
我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。
興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
論文 参考訳（メタデータ） (2023-06-14T14:44:12Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - NNP/MM: Accelerating molecular dynamics simulations with machine
learning potentials and molecular mechanic [38.50309739333058]
ニューラルネットワーク電位(NNP)と分子力学(MM)を組み合わせたハイブリッド手法(NNP/MM)の最適化実装を提案する。
このアプローチは、小さな分子のようなシステムの一部をNNPを用いてモデル化し、残りのシステムにMMを用いて効率を向上する。
これにより, シミュレーション速度を5倍に向上し, 複合体毎の1マイクロ秒の同時サンプリングを実現し, この種のシミュレーションで報告された最長のシミュレーションとなった。
論文 参考訳（メタデータ） (2022-01-20T10:57:20Z) - Quantum Markov Chain Monte Carlo with Digital Dissipative Dynamics on
Quantum Computers [52.77024349608834]
少数のアンシラ量子ビットを用いて環境との相互作用をシミュレートするデジタル量子アルゴリズムを開発した。
逆イジングモデルの熱状態のシミュレーションによるアルゴリズムの評価を行った。
論文 参考訳（メタデータ） (2021-03-04T18:21:00Z) - 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)
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。