論文の概要: Prediction of transport property via machine learning molecular
movements
- arxiv url: http://arxiv.org/abs/2203.03103v1
- Date: Mon, 7 Mar 2022 02:28:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 18:30:56.986601
- Title: Prediction of transport property via machine learning molecular
movements
- Title(参考訳): 機械学習分子運動による輸送特性の予測
- Authors: Ikki Yasuda, Yusei Kobayashi, Katsuhiro Endo, Yoshihiro Hayakawa,
Kazuhiko Fujiwara, Kuniaki Yajima, Noriyoshi Arai, Kenji Yasuoka
- Abstract要約: 本稿では,物質輸送特性を予測するためのシンプルな教師付き機械学習手法を提案する。
この手法を用いて, せん断流に閉じ込められた潤滑剤分子の粘度を予測した。
低粘度に寄与する分子機構を2種類明らかにした。
- 参考スコア(独自算出の注目度): 1.0554048699217666
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular dynamics (MD) simulations are increasingly being combined with
machine learning (ML) to predict material properties. The molecular
configurations obtained from MD are represented by multiple features, such as
thermodynamic properties, and are used as the ML input. However, to accurately
find the input--output patterns, ML requires a sufficiently sized dataset that
depends on the complexity of the ML model. Generating such a large dataset from
MD simulations is not ideal because of their high computation cost. In this
study, we present a simple supervised ML method to predict the transport
properties of materials. To simplify the model, an unsupervised ML method
obtains an efficient representation of molecular movements. This method was
applied to predict the viscosity of lubricant molecules in confinement with
shear flow. Furthermore, simplicity facilitates the interpretation of the model
to understand the molecular mechanics of viscosity. We revealed two types of
molecular mechanisms that contribute to low viscosity.
- Abstract(参考訳): 分子動力学(MD)シミュレーションと機械学習(ML)を組み合わせることで材料特性を予測している。
MDから得られる分子構成は熱力学特性などの複数の特徴で表され、ML入力として使用される。
しかし、入力出力パターンを正確に見つけるためには、MLモデルの複雑さに依存する十分なサイズのデータセットが必要である。
MDシミュレーションからこのような大規模なデータセットを生成するのは、計算コストが高いため理想的ではない。
本研究では,材料の輸送特性を予測するためのシンプルな教師付きML法を提案する。
モデルを簡単にするため、教師なしML法は分子運動の効率的な表現を得る。
この手法を用いて, せん断流に閉じ込められた潤滑剤分子の粘度を予測した。
さらに、単純さは粘性の分子力学を理解するためのモデルの解釈を促進する。
低粘度に寄与する2種類の分子機構を明らかにした。
関連論文リスト
- Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳(メタデータ) (2023-06-09T03:04:21Z) - 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) - 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) - Designing Machine Learning Surrogates using Outputs of Molecular
Dynamics Simulations as Soft Labels [0.0]
分子動力学シミュレーションの出力に関する統計的不確実性は、人工ニューラルネットワークのトレーニングに利用できることを示す。
推定平均出力量に不確かさを組み込むことにより,シミュレーション出力のソフトラベルを設計する。
このアプローチは、閉じ込められた電解質の分子動力学シミュレーションのためのサロゲートの設計で説明される。
論文 参考訳(メタデータ) (2021-10-27T19:00:40Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性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) (2021-10-18T14:43:50Z) - Do Large Scale Molecular Language Representations Capture Important
Structural Information? [31.76876206167457]
本稿では,MoLFormerと呼ばれる効率的なトランスフォーマーエンコーダモデルのトレーニングにより得られた分子埋め込みについて述べる。
実験の結果,グラフベースおよび指紋ベースによる教師付き学習ベースラインと比較して,学習された分子表現が競合的に機能することが確認された。
論文 参考訳(メタデータ) (2021-06-17T14:33:55Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - Molecular Design Using Signal Processing and Machine Learning:
Time-Frequency-like Representation and Forward Design [9.986608420951558]
我々は、QM-MLパイプラインによく知られた信号処理技術を統合することで、強力な機械(QM-SP-ML)を得ることを示す。
本研究では,分子の構造的,幾何学的,エネルギー的,電子的,熱力学的特性を時間周波数的に表現する。
新しいQM-SP-MLモデルは、QM9データセット(133,855個の分子と19個の性質からなる)でテストされ、許容される化学的精度より低い平均絶対誤差(MAE)を持つ分子の性質を予測することができる。
論文 参考訳(メタデータ) (2020-04-20T00:58:53Z) - Predicting molecular dipole moments by combining atomic partial charges
and atomic dipoles [3.0980025155565376]
高レベル結合クラスター理論を用いて計算した分子$boldsymbolmu$を再現するために、「MuML」モデルが組み合わされた。
校正委員会モデルを用いて予測の不確かさを確実に推定できることを実証する。
論文 参考訳(メタデータ) (2020-03-27T14:35:37Z)
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。