論文の概要: MD-GAN with multi-particle input: the machine learning of long-time
molecular behavior from short-time MD data
- arxiv url: http://arxiv.org/abs/2202.00995v1
- Date: Wed, 2 Feb 2022 12:29:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-03 14:22:03.633245
- Title: MD-GAN with multi-particle input: the machine learning of long-time
molecular behavior from short-time MD data
- Title（参考訳）: 多粒子入力を用いたMD-GAN--短時間MDデータによる長期分子挙動の機械学習
- Authors: Ryo Kawada, Katsuhiro Endo, Daisuke Yuhara, Kenji Yasuoka
- Abstract要約: MD-GANは、任意のタイミングでシステムの一部を進化させることができる機械学習ベースの手法である。
MD-GANの正確な予測には、システムの一部のダイナミクスに関する情報をトレーニングデータに含める必要がある。
ポリエチレン系実験において, 各分子の3つの粒子の動的挙動を用いた場合, 拡散はトレーニングデータの3分の1の時間長で予測できた。
- 参考スコア（独自算出の注目度）: 1.3764085113103217
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: MD-GAN is a machine learning-based method that can evolve part of the system
at any time step, accelerating the generation of molecular dynamics data. For
the accurate prediction of MD-GAN, sufficient information on the dynamics of a
part of the system should be included with the training data. Therefore, the
selection of the part of the system is important for efficient learning. In a
previous study, only one particle (or vector) of each molecule was extracted as
part of the system. Therefore, we investigated the effectiveness of adding
information from other particles to the learning process. In the experiment of
the polyethylene system, when the dynamics of three particles of each molecule
were used, the diffusion was successfully predicted using one-third of the time
length of the training data, compared to the single-particle input.
Surprisingly, the unobserved transition of diffusion in the training data was
also predicted using this method.
- Abstract（参考訳）: MD-GANは、任意のタイミングでシステムの一部を進化させ、分子動力学データの生成を加速する機械学習ベースの手法である。
md-ganの正確な予測には、システムの一部のダイナミクスに関する十分な情報がトレーニングデータに含まれるべきである。
したがって,システムの部分の選択は,学習の効率化に重要である。
前回の研究では、系の一部として各分子の1つの粒子(またはベクトル)のみが抽出された。
そこで本研究では,他の粒子からの情報を学習プロセスに付加する効果を検討した。
ポリエチレン系実験では,各分子の3つの粒子のダイナミクスを用いた場合,単粒子入力と比較して,トレーニングデータの3分の1の時間長で拡散を予測できた。
トレーニングデータにおける拡散の未観測遷移も, この手法を用いて予測した。
関連論文リスト
- Multi-Parameter Molecular MRI Quantification using Physics-Informed Self-Supervised Learning [0.0]
生体物理モデルフィッティングは、生理的信号や画像から定量的パラメータを得る上で重要な役割を果たしている。
本稿では,常微分方程式(ODE)モデルを用いてパラメータ抽出逆問題の解法を提案する。
これは、数値ODEソルバをステップワイズ解析として機能させ、自動微分に基づく最適化と互換性を持たせることで実現される。
論文 参考訳（メタデータ） (2024-11-10T12:40:33Z) - Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。
適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
論文 参考訳（メタデータ） (2024-11-01T12:59:25Z) - Extracting Training Data from Unconditional Diffusion Models [76.85077961718875]
拡散確率モデル(DPM)は、生成人工知能(AI)の主流モデルとして採用されている。
本研究の目的は,1) 理論解析のための記憶量,2) 情報ラベルとランダムラベルを用いた条件記憶量,3) 記憶量測定のための2つのより良い評価指標を用いて,DPMにおける記憶量の理論的理解を確立することである。
提案手法は,理論解析に基づいて,SIDE (textbfSurrogate condItional Data extract) と呼ばれる新しいデータ抽出手法を提案する。
論文 参考訳（メタデータ） (2024-06-18T16:20:12Z) - Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。
HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。
単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
論文 参考訳（メタデータ） (2024-05-05T08:35:23Z) - Gramian Angular Fields for leveraging pretrained computer vision models
with anomalous diffusion trajectories [0.9012198585960443]
拡散軌跡を扱うための新しいデータ駆動手法を提案する。
この方法はグラミアン角場(GAF)を用いて1次元軌跡を画像として符号化する。
我々は、ResNetとMobileNetという、よく訓練された2つのコンピュータビジョンモデルを利用して、基礎となる拡散体制を特徴づける。
論文 参考訳（メタデータ） (2023-09-02T17:22:45Z) - 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) - 3D Graph Contrastive Learning for Molecular Property Prediction [1.0152838128195467]
自己教師付き学習(英: Self-supervised learning, SSL)は、データ固有の監督を利用してデータ表現を学習する手法である。
分子特性予測のための新しいコントラスト学習フレームワーク,小型3次元グラフコントラスト学習(3DGCL)を提案する。
論文 参考訳（メタデータ） (2022-05-31T04:45:31Z) - 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) - Transferring Chemical and Energetic Knowledge Between Molecular Systems
with Machine Learning [5.27145343046974]
本稿では,単純な分子システムから得られた知識をより複雑なものに伝達するための新しい手法を提案する。
我々は、高低自由エネルギー状態の分類に焦点をあてる。
以上の結果より, トリアラニンからデカアラニン系への移行学習において, 0.92 の顕著な AUC が得られた。
論文 参考訳（メタデータ） (2022-05-06T16:21:00Z) - MoleHD: Ultra-Low-Cost Drug Discovery using Hyperdimensional Computing [2.7462881838152913]
分子特性予測のための脳誘発超次元計算(HDC)に基づくMoleHDを提案する。
MoleHDは、ランダムスプリットとスキャフォールドスプリットで、平均3つのデータセットでROC-AUCスコアを達成している。
私たちの知る限りでは、この方法が初めてHDCベースの薬物発見法である。
論文 参考訳（メタデータ） (2021-06-05T13:33:21Z)
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。