論文の概要: Characterizing metastable states with the help of machine learning
- arxiv url: http://arxiv.org/abs/2204.07391v1
- Date: Fri, 15 Apr 2022 09:03:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-18 12:49:39.745610
- Title: Characterizing metastable states with the help of machine learning
- Title（参考訳）: 機械学習による準安定状態の特徴付け
- Authors: Pietro Novelli, Luigi Bonati, Massimiliano Pontil and Michele
Parrinello
- Abstract要約: まず、共形力学の変分法を用いてシミュレーションの最も遅い動的モードを発見する。
これにより、システムの異なる準安定状態が階層的に位置して組織化される。
メタスタブル状態を特徴付ける物理記述子は、機械学習手法により検出される。
- 参考スコア（独自算出の注目度）: 26.851436041478866
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Present-day atomistic simulations generate long trajectories of ever more
complex systems. Analyzing these data, discovering metastable states, and
uncovering their nature is becoming increasingly challenging. In this paper, we
first use the variational approach to conformation dynamics to discover the
slowest dynamical modes of the simulations. This allows the different
metastable states of the system to be located and organized hierarchically. The
physical descriptors that characterize metastable states are discovered by
means of a machine learning method. We show in the cases of two proteins,
Chignolin and Bovine Pancreatic Trypsin Inhibitor, how such analysis can be
effortlessly performed in a matter of seconds. Another strength of our approach
is that it can be applied to the analysis of both unbiased and biased
simulations.
- Abstract（参考訳）: 現在の原子論シミュレーションは、より複雑な系の長い軌道を生成する。
これらのデータを分析し、準安定状態を発見し、その性質を明らかにすることはますます困難になりつつある。
本稿では,まず,共形力学に対する変分的アプローチを用いて,シミュレーションの最も遅い動的モードを探索する。
これにより、システムの異なる準安定状態が階層的に配置される。
メタ安定状態を特徴付ける物理ディスクリプタは、機械学習法により発見される。
キグノリンとウシ膵トリプシンインヒビターの2つのタンパク質について,その分析を数秒で行なえるかを示した。
このアプローチのもうひとつの強みは、偏りのないシミュレーションと偏りのないシミュレーションの両方の分析に適用できることだ。
関連論文リスト
- Sparse identification of quasipotentials via a combined data-driven method [4.599618895656792]
我々は、ニューラルネットワークとスパース回帰アルゴリズムという2つのデータ駆動手法を組み合わせて機械学習を活用し、擬ポテンシャル関数の記号表現を得る。
提案手法は, 未知の正準ポテンシャルモデルと, ナノメカニカル共振器のダイナミックスに対して, 擬似準ポテンシャル方程式を求めるものである。
論文 参考訳（メタデータ） (2024-07-06T11:27:52Z) - 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) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳（メタデータ） (2023-07-21T14:25:06Z) - 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) - Learning inducing points and uncertainty on molecular data by scalable
variational Gaussian processes [0.0]
分子記述子空間における誘導点の変動学習は、2つの分子動力学データセット上でのエネルギーと原子力の予測を改善することを示す。
本研究は大規模分子結晶系に拡張し, データセットのスパース表現を効率よく学習することにより, 原子間力の予測に優れた変動GPモデルを示す。
論文 参考訳（メタデータ） (2022-07-16T10:41:41Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳（メタデータ） (2020-11-18T18:52:08Z) - Using machine-learning modelling to understand macroscopic dynamics in a
system of coupled maps [0.0]
本稿では,グローバルに結合した地図システムから生じるマクロな動きについて考察する。
我々は、機械学習アプローチと粗粒度プロセスの遷移確率の直接数値計算の両方を用いて、マクロ力学のための粗粒度マルコフプロセスを構築した。
我々は,アトラクタの有効次元,メモリ効果の持続性,ダイナミクスのマルチスケール構造について重要な情報を推測することができる。
論文 参考訳（メタデータ） (2020-11-08T15:38:12Z) - Exploring the potential of transfer learning for metamodels of
heterogeneous material deformation [0.0]
転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。
我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。
これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2020-10-28T12:43:46Z) - Bayesian Force Fields from Active Learning for Simulation of
Inter-Dimensional Transformation of Stanene [3.708456605408296]
本稿では,多体カーネルに基づく原子間力場に対するガウス過程モデルを劇的に高速化する方法を提案する。
これにより、ほぼ量子精度、組込みの不確実性、一定の評価コストを組み合わせたモデルの自動アクティブラーニングが可能になる。
論文 参考訳（メタデータ） (2020-08-26T20:27:19Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。