論文の概要: Molecular Dynamics of Polymer-lipids in Solution from Supervised Machine Learning

• arxiv url: http://arxiv.org/abs/2203.00151v1
• Date: Tue, 1 Mar 2022 00:13:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 15:35:06.651923
• Title: Molecular Dynamics of Polymer-lipids in Solution from Supervised Machine Learning
• Title（参考訳）: 機械学習による溶液中高分子脂質の分子動力学
• Authors: James Andrews, Olga Gkountouna and Estela Blaisten-Barojas
• Abstract要約: 環境条件下で酢酸エチルで溶解した高分子高分子-脂質凝集体のエネルギーを予測するための3つのよく確立されたニューラルネットワークアーキテクチャの能力について検討する。 リカレントニューラルネットワークから生成されたデータモデルは、分子動力学から生成された溶媒との相互作用エネルギーとマクロ分子内ポテンシャルエネルギーのナノ秒単位の時系列で訓練され、試験される。
• 参考スコア（独自算出の注目度）: 0.3867363075280543
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine learning techniques including neural networks are popular tools for materials and chemical scientists with applications that may provide viable alternative methods in the analysis of structure and energetics of systems ranging from crystals to biomolecules. However, efforts are less abundant for prediction of dynamics. Here we explore the ability of three well established recurrent neural network architectures for forecasting the energetics of a macromolecular polymer-lipid aggregate solvated in ethyl acetate at ambient conditions. Data models generated from recurrent neural networks are trained and tested on nanoseconds-long time series of the intra-macromolecules potential energy and their interaction energy with the solvent generated from Molecular Dynamics and containing half million points. Our exhaustive analyses convey that the three recurrent neural network investigated generate data models with limited capability of reproducing the energetic fluctuations and yielding short or long term energetics forecasts with underlying distribution of points inconsistent with the input series distributions. We propose an in silico experimental protocol consisting on forming an ensemble of artificial network models trained on an ensemble of series with additional features from time series containing pre-clustered time patterns of the original series. The forecast process improves by predicting a band of forecasted time series with a spread of values consistent with the molecular dynamics energy fluctuations span. However, the distribution of points from the band of forecasts is not optimal. Although the three inspected recurrent neural networks were unable of generating single models that reproduce the actual fluctuations of the inspected molecular system energies in thermal equilibrium at the nanosecond scale, the proposed protocol provides useful estimates of the molecular fate
• Abstract（参考訳）: ニューラルネットワークを含む機械学習技術は、結晶から生体分子まで、システムの構造とエネルギーの分析に有効な代替手段を提供することのできる、材料や化学科学者のための一般的なツールである。 しかし、動力学の予測のための努力は少ない。 本研究では, アセテートエチルで溶媒和した高分子高分子-脂質集合体のエネルギー予測のための, 確立された3つの再帰的ニューラルネットワークアーキテクチャの能力について検討する。 リカレントニューラルネットワークから生成されたデータモデルは、分子動力学から生成し、50万点を含む溶媒との相互作用エネルギーとmacromolecules内ポテンシャルエネルギーのナノ秒長時系列で訓練およびテストされる。 総括分析の結果,3つの再帰的ニューラルネットワークは,エネルギー変動の再現能力に限界のあるデータモデルを生成し,入力系列分布と矛盾する点の分布に基づく短期的・長期的エネルギー予測を導出することがわかった。 本稿では,本シリーズの事前クラスタ化時間パターンを含む時系列を付加した,一連のアンサンブルに基づいて訓練された人工ネットワークモデルのアンサンブルを形成することを目的とした,インサイリコ実験プロトコルを提案する。 予測過程は、分子動力学エネルギー変動が広がる値の拡散を伴う予測時系列の帯域を予測することにより改善される。 しかし、予測の帯域からの点の分布は最適ではない。 3つのリカレントニューラルネットワークは、ナノ秒スケールの熱平衡における検査された分子系の実際の変動を再現する単一モデルを生成することができなかったが、提案プロトコルは分子の運命の有用な推定を提供する。

関連論文リスト

• 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)
• Topology-Informed Machine Learning for Efficient Prediction of Solid Oxide Fuel Cell Electrode Polarization [0.0]
  機械学習は固体酸化物燃料電池電極の研究と開発を迅速化するための強力な計算ツールとして登場した。 本稿では,計算トポロジから導出した永続化表現を利用した新しい手法を提案する。 人工ニューラルネットワークは、固体酸化物燃料電池電極の偏極曲線を正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-04T19:00:37Z)
• 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)
• 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)
• 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)
• Denoise Pretraining on Nonequilibrium Molecules for Accurate and Transferable Neural Potentials [8.048439531116367]
  より正確で伝達可能なGNNポテンシャル予測を実現するために,非平衡分子配座の事前学習を提案する。 小分子で事前学習したモデルでは、顕著な伝達性を示し、多様な分子系で微調整された場合の性能が向上した。
  論文  参考訳（メタデータ） (2023-03-03T21:15:22Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• A2I Transformer: Permutation-equivariant attention network for pairwise and many-body interactions with minimal featurization [0.1469945565246172]
  本研究では,粒子の座標から原子間エネルギーを直接予測するエンド・ツー・エンドモデルを提案する。 我々は,周期境界条件 (PBC) や$n$-body相互作用,バイナリ合成など,分子シミュレーション問題におけるいくつかの課題に対して実験を行った。
  論文  参考訳（メタデータ） (2021-10-27T12:18:25Z)
• Accurate Prediction of Free Solvation Energy of Organic Molecules via Graph Attention Network and Message Passing Neural Network from Pairwise Atomistic Interactions [14.87390785780636]
  本稿では,グラフニューラルネットワーク(gnn)アーキテクチャに基づく自由解法エネルギー予測問題に対する2つの新しいモデルを提案する。 gnnは分子の予測情報をグラフ構造から直接低次元の特徴として要約することができる。 提案手法は, 解解自由エネルギー予測のタスクにおいて, 既存の機械学習手法に加えて, 量子力学および分子動力学の手法を上回っていることを示す。
  論文  参考訳（メタデータ） (2021-04-15T22:15:18Z)
• 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)
• Sobolev training of thermodynamic-informed neural networks for smoothed elasto-plasticity models with level set hardening [0.0]
  本研究では, 可視成分を用いた平滑な弾塑性モデルの学習を目的としたディープラーニングフレームワークを提案する。 収率関数を進化レベル集合として再キャストすることにより、ハミルトン・ヤコビ方程式の解を予測する機械学習手法を導入する。
  論文  参考訳（メタデータ） (2020-10-15T22:43:32Z)

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。