論文の概要: Collective variable discovery in the age of machine learning: reality,
hype and everything in between
- arxiv url: http://arxiv.org/abs/2112.03202v1
- Date: Mon, 6 Dec 2021 17:58:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 19:10:37.003538
- Title: Collective variable discovery in the age of machine learning: reality,
hype and everything in between
- Title（参考訳）: 機械学習時代の集団変数発見:現実、誇大宣伝、そしてその間にあるすべて
- Authors: Soumendranath Bhakat
- Abstract要約: 分子動力学シミュレーションは、生体分子の運動力学と分子認識を理解するために日常的に用いられている。
物理化学において、これらの低次元変数はしばしば集合変数と呼ばれる。
本稿では、幾何学的変数から抽象変数まで、よく使われる集合変数のいくつかのニュアンスについて紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding kinetics and thermodynamics profile of biomolecules is
necessary to understand their functional roles which has a major impact in
mechanism driven drug discovery. Molecular dynamics simulation has been
routinely used to understand conformational dynamics and molecular recognition
in biomolecules. Statistical analysis of high-dimensional spatiotemporal data
generated from molecular dynamics simulation requires identification of few
low-dimensional variables which can describe essential dynamics of a system
without significant loss of informations. In physical chemistry, these
low-dimensional variables often called collective variables. Collective
variables are used to generated reduced representation of free energy surface
and calculate transition probabilities between different metastable basins.
However the choice of collective variables is not trivial for complex systems.
Collective variables ranges from geometric criteria's such as distances,
dihedral angles to abstract ones such as weighted linear combinations of
multiple geometric variables. Advent of machine learning algorithms led to
increasing use of abstract collective variables to represent biomolecular
dynamics. In this review, I will highlight several nuances of commonly used
collective variables ranging from geometric to abstract ones. Further, I will
put forward some cases where machine learning based collective variables were
used to describe simple systems which in principle could have been described by
geometric ones. Finally, I will put forward my thoughts on artificial general
intelligence and how it can be used to discover and predict collective
variables from spatiotemporal data generated by molecular dynamics simulations.
- Abstract（参考訳）: 生体分子の運動学と熱力学のプロファイルを理解することは、その機能的役割を理解するために必要である。
分子動力学シミュレーションは、生体分子のコンフォメーションダイナミクスと分子認識を理解するために日常的に用いられている。
分子動力学シミュレーションから生成される高次元時空間データの統計的解析は、情報を失うことなくシステムの本質的なダイナミクスを記述できる少数の低次元変数の同定を必要とする。
物理化学では、これらの低次元変数はしばしば集合変数と呼ばれる。
集団変数を用いて自由エネルギー表面の還元表現を生成し、異なる準安定盆地間の遷移確率を計算する。
しかし、集合変数の選択は複素系では自明ではない。
集合変数は、距離、二面角などの幾何学的基準から、複数の幾何学的変数の重み付け線形結合のような抽象的な基準まで様々である。
機械学習アルゴリズムの出現は、生体分子のダイナミクスを表現するために抽象的集団変数の使用の増加につながった。
本稿では,幾何変数から抽象変数まで,多種多様な集合変数のニュアンスについて概説する。
さらに、原則として幾何学的な記述が可能であった単純なシステムを記述するために、機械学習ベースの集団変数が使われたケースもいくつか挙げる。
最後に、分子動力学シミュレーションによって生成された時空間データから集団変数を発見し、予測する方法について、人工知能に関する私の考えを述べる。
関連論文リスト
- Graph Fourier Neural ODEs: Bridging Spatial and Temporal Multiscales in Molecular Dynamics [39.412937539709844]
分子動力学における空間的・時間的多スケール相互作用を共同でモデル化する新しい枠組みを提案する。
MD17データセット上で本モデルを評価し,最先端のベースラインに対して一貫した性能向上を示す。
論文 参考訳（メタデータ） (2024-11-03T15:10:48Z) - Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。
特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。
本稿では,これらのベクトル場をワッサーシュタイン多様体上で積分するメタフローマッチング(Meta Flow Matching, MFM)を提案する。
論文 参考訳（メタデータ） (2024-08-26T20:05:31Z) - Decomposing heterogeneous dynamical systems with graph neural networks [0.16492989697868887]
グラフニューラルネットワークは、異種システムの相互作用規則と構造を協調的に学習するように設計できることを示す。
学習された潜在構造と力学は、複雑なシステムを事実上分解するために使うことができる。
論文 参考訳（メタデータ） (2024-07-27T04:03:12Z) - Information theory for data-driven model reduction in physics and biology [0.0]
我々は,関連変数を特定するために,情報ボトルネックに基づく体系的アプローチを開発する。
高圧縮の極限において、関連する変数は、最も遅い遅延固有関数によって直接決定されることを示す。
モデルリダクションを実行する解釈可能なディープラーニングツールを構築するための確固たる基盤を提供する。
論文 参考訳（メタデータ） (2023-12-11T18:39:05Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳（メタデータ） (2023-02-04T01:32:40Z) - High-Dimensional Undirected Graphical Models for Arbitrary Mixed Data [2.2871867623460207]
多くのアプリケーションでは、データは異なるタイプの変数にまたがる。
最近の進歩は、バイナリ連続ケースにどのように取り組めるかを示しているが、一般的な混合変数型構造は依然として困難である。
完全混合型の変数を持つデータに対して,フレキシブルでスケーラブルな手法を提案する。
論文 参考訳（メタデータ） (2022-11-21T18:21:31Z) - Evolution TANN and the discovery of the internal variables and evolution
equations in solid mechanics [0.0]
材料表現をインクリメンタルな定式化から切り離す新しい手法を提案する。
熱力学に基づくニューラルネットワーク(TANN)と内部変数の理論にインスパイアされた進化 TANN(eTANN)は、連続時間である。
提案手法の主な特徴は、通常の微分方程式の形で内部変数の進化方程式の発見である。
論文 参考訳（メタデータ） (2022-09-27T09:25:55Z) - Systematic Evaluation of Causal Discovery in Visual Model Based
Reinforcement Learning [76.00395335702572]
AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。
因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。
本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
論文 参考訳（メタデータ） (2021-07-02T05:44:56Z) - Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease
Progression [71.7560927415706]
潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。
新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
論文 参考訳（メタデータ） (2021-06-05T11:42:45Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。