論文の概要: Super-resolution in Molecular Dynamics Trajectory Reconstruction with
Bi-Directional Neural Networks
- arxiv url: http://arxiv.org/abs/2201.01195v1
- Date: Sun, 2 Jan 2022 23:00:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-05 13:32:55.283885
- Title: Super-resolution in Molecular Dynamics Trajectory Reconstruction with
Bi-Directional Neural Networks
- Title（参考訳）: 双方向ニューラルネットワークを用いた分子動力学軌道再構成の超解像
- Authors: Ludwig Winkler and Klaus-Robert M\"uller and Huziel E. Sauceda
- Abstract要約: 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。
- 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 a cornerstone in science, allowing to
investigate from the system's thermodynamics to analyse intricate molecular
interactions. In general, to create extended molecular trajectories can be a
computationally expensive process, for example, when running $ab-initio$
simulations. Hence, repeating such calculations to either obtain more accurate
thermodynamics or to get a higher resolution in the dynamics generated by a
fine-grained quantum interaction can be time- and computationally-consuming. In
this work, we explore different machine learning (ML) methodologies to increase
the resolution of molecular dynamics trajectories on-demand within a
post-processing step. As a proof of concept, we analyse the performance of
bi-directional neural networks such as neural ODEs, Hamiltonian networks,
recurrent neural networks and LSTMs, as well as the uni-directional variants as
a reference, for molecular dynamics simulations (here: the MD17 dataset). We
have found that Bi-LSTMs are the best performing models; by utilizing the local
time-symmetry of thermostated trajectories they can even learn long-range
correlations and display high robustness to noisy dynamics across molecular
complexity. Our models can reach accuracies of up to 10$^{-4}$ angstroms in
trajectory interpolation, while faithfully reconstructing several full cycles
of unseen intricate high-frequency molecular vibrations, rendering the
comparison between the learned and reference trajectories indistinguishable.
The results reported in this work can serve (1) as a baseline for larger
systems, as well as (2) for the construction of better MD integrators.
- Abstract（参考訳）: 分子動力学シミュレーションは科学の基盤であり、システムの熱力学から複雑な分子相互作用を分析することができる。
一般に、拡張された分子軌道を作るには、例えば$ab-initio$シミュレーションを実行する場合、計算コストがかかる。
したがって、そのような計算を繰り返すことで、より正確な熱力学を得るか、または細粒度量子相互作用によって生じる力学のより高分解能を得るかは、時間的かつ計算的に消費される。
本研究では,機械学習(ML)の手法を探索し,分子動力学トラジェクトリをオンデマンドで処理する手法を提案する。
概念実証として、分子動力学シミュレーション(以下、MD17データセット)において、ニューラルネットワーク、ハミルトニアンネットワーク、リカレントニューラルネットワーク、LSTMなどの双方向ニューラルネットワークの性能と、参照として一方向変量の解析を行う。
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堅牢性を示すことができる。
我々のモデルは、軌道補間における最大10$^{-4}$アングストロームの精度に到達し、未知の複雑な高周波分子振動の完全なサイクルを忠実に再構築し、学習された軌道と参照軌道の比較を区別できないものにすることができる。
本研究で報告された結果は,(1)大規模システムのベースラインとして機能し,(2)より優れたMDインテグレータの構築に有効である。
関連論文リスト
- 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) - Implicit Transfer Operator Learning: Multiple Time-Resolution Surrogates
for Molecular Dynamics [8.35780131268962]
シミュレーションプロセスのサロゲートを複数の時間分解能で学習するフレームワークであるImplict Transfer Operator (ITO) Learningを提案する。
また、全原子分子動力学を定量的にモデル化できる粗粒CG-SE3-ITOモデルを提案する。
論文 参考訳（メタデータ） (2023-05-29T12:19:41Z) - 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) - 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) - 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) - 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) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳（メタデータ） (2022-04-09T22:07:34Z) - 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) - 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) - Symmetry-adapted graph neural networks for constructing molecular
dynamics force fields [10.820190246285122]
分子動力学シミュレーションのための力場を自動構築する対称性適応グラフニューラルネットワークフレームワークを開発した。
MDGNNは古典的分子動力学と第一原理分子動力学の両方の結果を正確に再現する。
論文 参考訳（メタデータ） (2021-01-08T09:32:24Z) - Molecular Latent Space Simulators [8.274472944075713]
本研究では、連続的な全原子シミュレーション軌道の運動モデルを学ぶための潜在空間シミュレータ(LSS)を提案する。
Trpタンパク質を応用して, 新規な超長尺合成折りたたみ路を創出する手法を実証する。
論文 参考訳（メタデータ） (2020-07-01T20:05:27Z)
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。