論文の概要: A Score-based Geometric Model for Molecular Dynamics Simulations
- arxiv url: http://arxiv.org/abs/2204.08672v1
- Date: Tue, 19 Apr 2022 05:13:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-20 15:08:12.637023
- Title: A Score-based Geometric Model for Molecular Dynamics Simulations
- Title（参考訳）: 分子動力学シミュレーションのためのスコアベース幾何モデル
- Authors: Fang Wu, Qiang Zhang, Xurui Jin, Yinghui Jiang, Stan Z. Li
- Abstract要約: 分子配座のログ密度の勾配を推定する新しいモデルScoreMDを提案する。
複数のアーキテクチャの改善により、MD17とC7O2H10の異性体において最先端のベースラインよりも優れています。
この研究は、新しい物質の加速と薬物発見に関する新たな洞察を提供する。
- 参考スコア（独自算出の注目度）: 33.158796937777886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular dynamics (MD) has long been the \emph{de facto} choice for modeling
complex atomistic systems from first principles, and recently deep learning
become a popular way to accelerate it. Notwithstanding, preceding approaches
depend on intermediate variables such as the potential energy or force fields
to update atomic positions, which requires additional computations to perform
back-propagation. To waive this requirement, we propose a novel model called
ScoreMD by directly estimating the gradient of the log density of molecular
conformations. Moreover, we analyze that diffusion processes highly accord with
the principle of enhanced sampling in MD simulations, and is therefore a
perfect match to our sequential conformation generation task. That is, ScoreMD
perturbs the molecular structure with a conditional noise depending on atomic
accelerations and employs conformations at previous timeframes as the prior
distribution for sampling. Another challenge of modeling such a conformation
generation process is that the molecule is kinetic instead of static, which no
prior studies strictly consider. To solve this challenge, we introduce a
equivariant geometric Transformer as a score function in the diffusion process
to calculate the corresponding gradient. It incorporates the directions and
velocities of atomic motions via 3D spherical Fourier-Bessel representations.
With multiple architectural improvements, we outperforms state-of-the-art
baselines on MD17 and isomers of C7O2H10. This research provides new insights
into the acceleration of new material and drug discovery.
- Abstract（参考訳）: 分子動力学(MD)は長い間、複雑な原子論システムを第一原理からモデル化するための「emph{de facto}」の選択であり、近年では深層学習がそれを加速する一般的な方法となっている。
それにもかかわらず、先行するアプローチは原子の位置を更新するためにポテンシャルエネルギーや力場のような中間変数に依存しており、バックプロパゲーションを行うにはさらなる計算が必要である。
この要件を和らげるために,分子コンフォメーションの対数密度の勾配を直接推定することにより, scoremd と呼ばれる新しいモデルを提案する。
さらに,mdシミュレーションにおける拡張サンプリングの原理によく適合する拡散過程を解析し,逐次コンフォメーション生成タスクに完全一致することを示す。
すなわち、ScoreMDは原子加速に依存する条件付きノイズで分子構造を摂動させ、サンプリングの先行分布として以前の時間枠でのコンフォメーションを用いる。
このようなコンフォメーション生成過程をモデル化するもう一つの課題は、分子が静的ではなく運動的であることである。
この課題を解決するために, 拡散過程におけるスコア関数として等変幾何トランスを導入し, 対応する勾配を計算する。
3次元球面フーリエ・ベッセル表現による原子運動の方向と速度を組み込む。
複数のアーキテクチャの改善により、MD17とC7O2H10の異性体において最先端のベースラインよりも優れています。
この研究は、新しい物質の加速と薬物発見に関する新たな洞察を提供する。
関連論文リスト
- Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳（メタデータ） (2024-11-03T01:56:15Z) - 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) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - Diffusion-Driven Generative Framework for Molecular Conformation
Prediction [0.66567375919026]
機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。
本研究は,最先端な生成手法を提案する。
メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
論文 参考訳（メタデータ） (2023-12-22T11:49:39Z) - Score dynamics: scaling molecular dynamics with picoseconds timestep via
conditional diffusion model [5.39025059364831]
分子動力学シミュレーションから大きな時間ステップを持つ加速進化演算子を学習するためのフレームワークであるスコアダイナミクス(SD)を提案する。
我々は10psの時間ステップで進化した現実的な分子系のグラフニューラルネットワークに基づくスコアダイナミクスモデルを構築した。
現在のSD実装は,本研究で研究したシステムに対して,MDよりも約2桁高速である。
論文 参考訳（メタデータ） (2023-10-02T22:29:45Z) - Implicit Transfer Operator Learning: Multiple Time-Resolution Surrogates
for Molecular Dynamics [8.35780131268962]
シミュレーションプロセスのサロゲートを複数の時間分解能で学習するフレームワークであるImplict Transfer Operator (ITO) Learningを提案する。
また、全原子分子動力学を定量的にモデル化できる粗粒CG-SE3-ITOモデルを提案する。
論文 参考訳（メタデータ） (2023-05-29T12:19:41Z) - 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) - GeoDiff: a Geometric Diffusion Model for Molecular Conformation
Generation [102.85440102147267]
分子配座予測のための新しい生成モデルGeoDiffを提案する。
GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
論文 参考訳（メタデータ） (2022-03-06T09:47:01Z) - Super-resolution in Molecular Dynamics Trajectory Reconstruction with
Bi-Directional Neural Networks [0.0]
機械学習(ML)の異なる手法を探索し、後処理のステップで分子動力学軌道の解像度をオンデマンドで向上する。
サーモスタット軌道の局所的時間対称性を利用して、長距離相関を学習し、分子の複雑さにまたがる雑音のダイナミックスに対して高いロバスト性を示すことができる。
論文 参考訳（メタデータ） (2022-01-02T23:00:30Z) - 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) - Molecular Latent Space Simulators [8.274472944075713]
本研究では、連続的な全原子シミュレーション軌道の運動モデルを学ぶための潜在空間シミュレータ(LSS)を提案する。
Trpタンパク質を応用して, 新規な超長尺合成折りたたみ路を創出する手法を実証する。
論文 参考訳（メタデータ） (2020-07-01T20:05:27Z)
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。