論文の概要: Learning Large-Time-Step Molecular Dynamics with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2111.15176v1
- Date: Tue, 30 Nov 2021 07:32:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-01 16:19:13.714101
- Title: Learning Large-Time-Step Molecular Dynamics with Graph Neural Networks
- Title(参考訳): グラフニューラルネットワークによる大規模ステップ分子動力学の学習
- Authors: Tianze Zheng, Weihao Gao and Chong Wang
- Abstract要約: グラフニューラルネットワーク(GNN)に基づくモデルMDNetを導入し、座標と運動量の進化を大きな時間ステップで予測する。
4000原子系におけるMDNetの性能を実測し, MDNetが良好な平衡特性と輸送特性を予測可能であることを示す。
- 参考スコア(独自算出の注目度): 14.388196138756195
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular dynamics (MD) simulation predicts the trajectory of atoms by
solving Newton's equation of motion with a numeric integrator. Due to physical
constraints, the time step of the integrator need to be small to maintain
sufficient precision. This limits the efficiency of simulation. To this end, we
introduce a graph neural network (GNN) based model, MDNet, to predict the
evolution of coordinates and momentum with large time steps. In addition, MDNet
can easily scale to a larger system, due to its linear complexity with respect
to the system size. We demonstrate the performance of MDNet on a 4000-atom
system with large time steps, and show that MDNet can predict good equilibrium
and transport properties, well aligned with standard MD simulations.
- Abstract(参考訳): 分子動力学(md)シミュレーションは、ニュートンの運動方程式を数値積分器で解いて原子の軌道を予測する。
物理的制約のため、インテグレータの時間ステップは十分な精度を維持するために小さくなければならない。
これはシミュレーションの効率を制限します。
この目的のために,グラフニューラルネットワーク(gnn)ベースのモデルであるmdnetを導入し,大きな時間ステップで座標と運動量の進化を予測する。
加えて、MDNetはシステムサイズに関して線形複雑性のため、より大規模なシステムに容易にスケールできる。
我々は, MDNetの時間ステップが大きい4000原子系における性能を実証し, MDNetが標準MDシミュレーションとよく整合して, 良好な平衡特性と輸送特性を予測可能であることを示す。
関連論文リスト
- Scalable Mechanistic Neural Networks [52.28945097811129]
長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。
元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。
大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
論文 参考訳(メタデータ) (2024-10-08T14:27:28Z) - 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) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - ViSNet: an equivariant geometry-enhanced graph neural network with
vector-scalar interactive message passing for molecules [69.05950120497221]
本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。
提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
論文 参考訳(メタデータ) (2022-10-29T07:12:46Z) - Simulate Time-integrated Coarse-grained Molecular Dynamics with
Multi-Scale Graph Networks [4.444748822792469]
学習に基づく力場はアブ・イニシアトMDシミュレーションの高速化に大きな進歩を遂げているが、現実の多くのアプリケーションでは不十分である。
非常に大きな時間ステップで、粗粒MDを直接シミュレートするマルチスケールグラフニューラルネットワークを学習することで、これらの課題に対処することを目指している。
論文 参考訳(メタデータ) (2022-04-21T18:07:08Z) - Super-resolution in Molecular Dynamics Trajectory Reconstruction with
Bi-Directional Neural Networks [0.0]
機械学習(ML)の異なる手法を探索し、後処理のステップで分子動力学軌道の解像度をオンデマンドで向上する。
サーモスタット軌道の局所的時間対称性を利用して、長距離相関を学習し、分子の複雑さにまたがる雑音のダイナミックスに対して高いロバスト性を示すことができる。
論文 参考訳(メタデータ) (2022-01-02T23:00:30Z) - Graph Neural Networks Accelerated Molecular Dynamics [0.0]
我々は,高速かつ正確な力予測を実現するGNN加速分子ダイナミクス(GAMD)モデルを開発した。
その結果,GAMDはレナード・ジョーンズ(LJ)粒子と水(LJ+静電気)という2つの典型的な分子系の力学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) (2021-12-06T22:11:00Z) - ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。
提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文 参考訳(メタデータ) (2021-03-02T03:09:06Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳(メタデータ) (2020-02-21T16:44:28Z)
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。