論文の概要: Force-matching Coarse-Graining without Forces

• arxiv url: http://arxiv.org/abs/2203.11167v1
• Date: Mon, 21 Mar 2022 17:46:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 19:46:07.240052
• Title: Force-matching Coarse-Graining without Forces
• Title（参考訳）: 力のない力合わせ粗粒化
• Authors: Jonas K\"ohler, Yaoyi Chen, Andreas Kr\"amer, Cecilia Clementi, Frank No\'e
• Abstract要約: 全原子データからCG力場を学習することは、主に力マッチングと相対エントロピー最小化に依存している。 本稿では,力マッチングと相対エントロピー最小化の利点を組み合わせたCG力場の新しいトレーニング手法であるEmphflow-matchingを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coarse-grained (CG) molecular simulations have become a standard tool to study molecular processes on time-~and length-scales inaccessible to all-atom simulations. Learning CG force fields from all-atom data has mainly relied on force-matching and relative entropy minimization. Force-matching is straightforward to implement but requires the forces on the CG particles to be saved during all-atom simulation, and because these instantaneous forces depend on all degrees of freedom, they provide a very noisy signal that makes training the CG force field data inefficient. Relative entropy minimization does not require forces to be saved and is more data-efficient, but requires the CG model to be re-simulated during the iterative training procedure, which can make the training procedure extremely costly or lead to failure to converge. Here we present \emph{flow-matching}, a new training method for CG force fields that combines the advantages of force-matching and relative entropy minimization by leveraging normalizing flows, a generative deep learning method. Flow-matching first trains a normalizing flow to represent the CG probability density by using relative entropy minimization without suffering from the re-simulation problem because flows can directly sample from the equilibrium distribution they represent. Subsequently, the forces of the flow are used to train a CG force field by matching the coarse-grained forces directly, which is a much easier problem than traditional force-matching as it does not suffer from the noise problem. Besides not requiring forces, flow-matching also outperforms classical force-matching by an order of magnitude in terms of data efficiency and produces CG models that can capture the folding and unfolding of small proteins.
• Abstract（参考訳）: 粗粒(cg)分子シミュレーションは、全原子シミュレーションに到達できない時間・長さスケールの分子過程を研究する標準的なツールとなっている。 全原子データからcg力場を学ぶことは、主に力マッチングと相対エントロピー最小化に依存している。 力マッチングは実装が容易であるが、全原子シミュレーション中にCG粒子の力を節約する必要があるため、これらの瞬間的な力はあらゆる自由度に依存するため、CG力場データを非効率に訓練する非常にノイズの多い信号を提供する。 相対エントロピー最小化は、保存する力を必要とせず、よりデータ効率が高いが、反復的なトレーニング手順中にCGモデルを再シミュレーションする必要がある。 本稿では,正規化フローを活用することで,力マッチングと相対エントロピー最小化の利点を組み合わせたCG力場の新しいトレーニング手法であるemph{flow-matching}を提案する。 フローマッチングはまず、再シミュレーション問題に苦しむことなく相対エントロピー最小化を用いてcg確率密度を表す正規化フローを訓練する。 その後、流れの力は、粗粒の力を直接マッチングすることでCG力場を訓練するために使用され、ノイズ問題に悩まされないため、従来の力マッチングよりもずっと簡単な問題である。 力を必要としないのに加えて、フローマッチングはデータ効率の点で古典的力マッチングを1桁上回り、小さなタンパク質の折り畳みや展開を捉えるcgモデルを生成する。

関連論文リスト

• Thermodynamic Transferability in Coarse-Grained Force Fields using Graph Neural Networks [36.136619420474766]
  グラフ畳み込みニューラルネットワークアーキテクチャを用いて、粗いきめ細かい力場のための高度に自動化されたトレーニングパイプラインを開発する。 この手法により, 高精度な力場が得られるが, これらの力場は様々な熱力学条件によりより伝達可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-17T21:44:05Z)
• Streamflow Prediction with Uncertainty Quantification for Water Management: A Constrained Reasoning and Learning Approach [27.984958596544278]
  本稿では、論理的制約として表される物理法則を、ディープニューラルネットワークの層として統合する制約付き推論と学習(CRL)アプローチについて検討する。 そこで本研究では,深層モデルの一般化精度を向上させるため,理論的に基礎的なトレーニング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-31T18:53:53Z)
• Statistically Optimal Force Aggregation for Coarse-Graining Molecular Dynamics [55.41644538483948]
  粗粒(CG)モデルは、原子論的な分子動力学で可能な以上の大きな分子複合体をシミュレートする可能性がある。 CG力場を学習するための広く使われている方法論は、全原子分子動力学からCG表現への力のマッピングと、平均してCG力場とマッチングするものである。 我々は、全原子力のCG表現へのマッピングには柔軟性があり、最もよく使われるマッピング手法は統計的に非効率的であり、全原子シミュレーションにおける制約の存在においても、潜在的に誤りであることを示した。
  論文  参考訳（メタデータ） (2023-02-14T14:35:39Z)
• Two for One: Diffusion Models and Force Fields for Coarse-Grained Molecular Dynamics [15.660348943139711]
  我々は、スコアベース生成モデル、力場、分子動力学の接続を利用して、トレーニング中に力入力を必要とせずにCG力場を学習する。 従来よりも大幅に簡易化されたトレーニングセットアップを持つ一方で,本手法がいくつかの小～中規模のタンパク質シミュレーションの性能向上につながることを実証した。
  論文  参考訳（メタデータ） (2023-02-01T17:09:46Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• AC/DC: Alternating Compressed/DeCompressed Training of Deep Neural Networks [78.62086125399831]
  本稿では、ディープニューラルネットワーク(DNN)のAC/DCトレーニング(Alternating Compressed/DeCompressed)と呼ばれる一般的なアプローチを提案する。 AC/DCは、類似の計算予算で既存のスパーストレーニング方法よりも精度が高い。 AC/DCの重要な特性は、密度とスパースモデルのコトレーニングが可能であり、トレーニングプロセスの終了時に正確なスパース・ダンスモデルペアが得られることである。
  論文  参考訳（メタデータ） (2021-06-23T13:23:00Z)
• ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
  スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。 提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
  論文  参考訳（メタデータ） (2021-03-02T03:09:06Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)
• Ensemble Learning of Coarse-Grained Molecular Dynamics Force Fields with a Kernel Approach [2.562811344441631]
  グラディエントドメイン機械学習(GDML)は、分子ポテンシャルと関連する力場を学習するための正確で効率的なアプローチである。 全原子シミュレーションデータから有効粗粒度(CG)モデルを学習するための応用を実証する。 アンサンブル学習と階層化サンプリングを用いて,データ効率とメモリ節約の代替案を提案する。
  論文  参考訳（メタデータ） (2020-05-04T21:20:01Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。