論文の概要: Towards Conditional Generation of Minimal Action Potential Pathways for Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2111.14053v1
• Date: Sun, 28 Nov 2021 05:17:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 09:15:41.093498
• Title: Towards Conditional Generation of Minimal Action Potential Pathways for Molecular Dynamics
• Title（参考訳）: 分子動力学のための最小作用電位経路の条件生成に向けて
• Authors: John Kevin Cava, John Vant, Nicholas Ho, Ankita Shulka, Pavan Turaga, Ross Maciejewski, and Abhishek Singharoy
• Abstract要約: 我々はTorchMDから計算したポテンシャルエネルギーを条件付き生成フレームワークに導入する。 タンパク質のヘリックス$rightarrow$coil構造間の変換の低電位エネルギー経路を構築する。 分子配置のポテンシャルエネルギーによって動機付けられた条件付き生成モデルに損失関数を追加する方法を示す。
• 参考スコア（独自算出の注目度）: 10.849520181650131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we utilized generative models, and reformulate it for problems in molecular dynamics (MD) simulation, by introducing an MD potential energy component to our generative model. By incorporating potential energy as calculated from TorchMD into a conditional generative framework, we attempt to construct a low-potential energy route of transformation between the helix~$\rightarrow$~coil structures of a protein. We show how to add an additional loss function to conditional generative models, motivated by potential energy of molecular configurations, and also present an optimization technique for such an augmented loss function. Our results show the benefit of this additional loss term on synthesizing realistic molecular trajectories.
• Abstract（参考訳）: 本稿では、生成モデルにmdポテンシャルエネルギー成分を導入することにより、分子動力学(md)シミュレーションの問題に対して生成モデルを用い、再構成する。 トーチから計算されたポテンシャルエネルギーを条件付き生成枠組みに組み込むことにより、タンパク質のヘリックス〜$\rightarrow$~coil構造間の変換の低電位エネルギー経路を構築することを試みる。 本稿では,条件付き生成モデルに対して,分子配置の潜在的エネルギーに動機づけられた損失関数を付加する方法を示し,その拡張損失関数の最適化手法を提案する。 以上の結果から,現実的な分子軌道の合成における損失項の利点が示唆された。

関連論文リスト

• Neural Message Passing Induced by Energy-Constrained Diffusion [79.9193447649011]
  本稿では,MPNNのメカニズムを理解するための原理的解釈可能なフレームワークとして,エネルギー制約付き拡散モデルを提案する。 データ構造が(グラフとして)観察されたり、部分的に観察されたり、完全に観察されなかったりした場合に、新しいモデルが有望な性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• 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)
• A novel molecule generative model of VAE combined with Transformer for unseen structure generation [0.0]
  トランスフォーマーとVAEは強力なモデルとして広く使われているが、構造的ミスマッチと性能的ミスマッチのために組み合わせて使われることは滅多にない。 本研究では, この2つのモデルを組み合わせて, 多様な分子の処理における構造とパラメータの最適化を行うモデルを提案する。 提案モデルでは, 既存の分子生成モデルに匹敵する性能を示し, 未知の構造を持つ分子生成モデルにおいて, はるかに優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-19T08:46:04Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Equivariant Energy-Guided SDE for Inverse Molecular Design [35.50806745435793]
  EEGSDEはエネルギー関数の誘導の下で制御可能な3D分子生成のための柔軟なフレームワークである。 EEGSDEは、対応するエネルギー関数を線形に組み合わせることで、複数の標的特性を持つ分子を生成することができる。
  論文  参考訳（メタデータ） (2022-09-30T12:10:15Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Particle Dynamics for Learning EBMs [83.59335980576637]
  エネルギーベースモデリングは教師なし学習への有望なアプローチであり、単一のモデルから多くの下流アプリケーションを生み出す。 コントラスト的アプローチ(contrastive approach)"でエネルギーベースモデルを学習する際の主な困難は、各イテレーションで現在のエネルギー関数からサンプルを生成することである。 本稿では,これらのサンプルを取得し,現行モデルからの粗大なMCMCサンプリングを回避するための代替手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T23:41:07Z)
• GraphEBM: Molecular Graph Generation with Energy-Based Models [42.24111543958905]
  エネルギーモデルを用いて分子グラフを生成するグラフEBMを提案する。 エネルギー関数を変分不変にパラメータ化することにより,GraphEBM変分不変化を実現する。 分子を特異的に望ましい性質で生成するために,分子の性質に応じてフレキシブルな度合いでエネルギーを下げる,単純で効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2021-01-31T21:45:12Z)

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。