論文の概要: Designing Machine Learning Surrogates using Outputs of Molecular Dynamics Simulations as Soft Labels

• arxiv url: http://arxiv.org/abs/2110.14714v1
• Date: Wed, 27 Oct 2021 19:00:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 16:55:16.088030
• Title: Designing Machine Learning Surrogates using Outputs of Molecular Dynamics Simulations as Soft Labels
• Title（参考訳）: 分子動力学シミュレーションをソフトラベルとした機械学習サロゲートの設計
• Authors: J.C.S. Kadupitiya, Nasim Anousheh, Vikram Jadhao
• Abstract要約: 分子動力学シミュレーションの出力に関する統計的不確実性は、人工ニューラルネットワークのトレーニングに利用できることを示す。 推定平均出力量に不確かさを組み込むことにより,シミュレーション出力のソフトラベルを設計する。 このアプローチは、閉じ込められた電解質の分子動力学シミュレーションのためのサロゲートの設計で説明される。
• 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: Molecular dynamics simulations are powerful tools to extract the microscopic mechanisms characterizing the properties of soft materials. We recently introduced machine learning surrogates for molecular dynamics simulations of soft materials and demonstrated that artificial neural network based regression models can successfully predict the relationships between the input material attributes and the simulation outputs. Here, we show that statistical uncertainties associated with the outputs of molecular dynamics simulations can be utilized to train artificial neural networks and design machine learning surrogates with higher accuracy and generalizability. We design soft labels for the simulation outputs by incorporating the uncertainties in the estimated average output quantities, and introduce a modified loss function that leverages these soft labels during training to significantly reduce the surrogate prediction error for input systems in the unseen test data. The approach is illustrated with the design of a surrogate for molecular dynamics simulations of confined electrolytes to predict the complex relationship between the input electrolyte attributes and the output ionic structure. The surrogate predictions for the ionic density profiles show excellent agreement with the ground truth results produced using molecular dynamics simulations. The high accuracy and small inference times associated with the surrogate predictions provide quick access to quantities derived using the number density profiles and facilitate rapid sensitivity analysis.
• Abstract（参考訳）: 分子動力学シミュレーションは、軟質材料の特性を特徴づける顕微鏡機構を抽出する強力なツールである。 最近,ソフトマテリアルの分子動力学シミュレーションのための機械学習サーロゲートを導入し,ニューラルネットワークを用いた回帰モデルが入力材料属性とシミュレーション出力の関係をうまく予測できることを実証した。 本稿では,分子動力学シミュレーションのアウトプットに関連する統計的不確かさを,ニューラルネットワークのトレーニングや,高い精度と一般化性を備えた機械学習サーロゲートの設計に利用できることを示す。 推定平均出力量の不確かさを組み込んだシミュレーション出力用ソフトラベルの設計を行い、これらのソフトラベルをトレーニング中に活用した修正損失関数を導入し、未取得のテストデータにおける入力システムのサロゲート予測誤差を大幅に低減する。 このアプローチは、入力電解質特性と出力イオン構造との複雑な関係を予測するために、閉じ込められた電解質の分子動力学シミュレーションのためのサーロゲートの設計で示される。 イオン密度プロファイルの代理予測は分子動力学シミュレーションにより得られた基底真理結果と良好な一致を示した。 サロゲート予測に関連する高精度かつ小さな推論時間は、数密度プロファイルを用いて導出される量に素早くアクセスでき、迅速な感度解析が容易である。

関連論文リスト

• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Electronic excited states from physically-constrained machine learning [0.0]
  本稿では,実効ハミルトニアンの対称性適応MLモデルをトレーニングし,量子力学計算から電子励起を再現する統合モデリング手法を提案する。 結果として得られるモデルは、トレーニングされた分子よりもずっと大きく、より複雑な分子を予測できる。
  論文  参考訳（メタデータ） (2023-11-01T20:49:59Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Evaluating the Transferability of Machine-Learned Force Fields for Material Property Modeling [2.494740426749958]
  本稿では,機械学習力場の伝達性を評価するため,より包括的なベンチマークテストを提案する。 我々は、OpenMMパッケージと結合したグラフニューラルネットワーク(GNN)ベースの力場を用いて、ArgonのMDシミュレーションを実行する。 実験結果から, モデルが固体相の挙動を正確に把握できるのは, 固体相の構成がトレーニングデータセットに含まれる場合のみであることがわかった。
  論文  参考訳（メタデータ） (2023-01-10T00:25:48Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• 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)
• Prediction of transport property via machine learning molecular movements [1.0554048699217666]
  本稿では,物質輸送特性を予測するためのシンプルな教師付き機械学習手法を提案する。 この手法を用いて, せん断流に閉じ込められた潤滑剤分子の粘度を予測した。 低粘度に寄与する分子機構を2種類明らかにした。
  論文  参考訳（メタデータ） (2022-03-07T02:28:07Z)
• Exploring the potential of transfer learning for metamodels of heterogeneous material deformation [0.0]
  転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。 我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。 これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-10-28T12:43:46Z)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)
• Automated discovery of a robust interatomic potential for aluminum [4.6028828826414925]
  機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。 アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。 アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証 転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
  論文  参考訳（メタデータ） (2020-03-10T19:06:32Z)

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。