Fugu-MT 論文翻訳(概要): Simulate Time-integrated Coarse-grained Molecular Dynamics with Geometric Machine Learning

論文の概要: Simulate Time-integrated Coarse-grained Molecular Dynamics with Geometric Machine Learning

arxiv url: http://arxiv.org/abs/2204.10348v1
Date: Thu, 21 Apr 2022 18:07:08 GMT
ステータス: 処理完了
システム内更新日: 2022-04-25 14:49:08.908715
Title: Simulate Time-integrated Coarse-grained Molecular Dynamics with Geometric Machine Learning
Title（参考訳）: 幾何機械学習による時間積分粗粒分子動力学シミュレーション
Authors: Xiang Fu, Tian Xie, Nathan J. Rebello, Bradley D. Olsen, Tommi Jaakkola
Abstract要約: 学習に基づく力場は、ab-initio MDシミュレーションの加速において大きな進歩を遂げてきたが、多くの現実世界のアプリケーションにはまだ不十分である。我々は、グラフクラスタリングを使用して物理システムを粗粒化する、異なる機械学習アプローチを採用する。新しいスコアベースのGNNリファインメントモジュールは、長期間のシミュレーション不安定性の長年の課題を解決する。
参考スコア（独自算出の注目度）: 3.029137825525148
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Molecular dynamics (MD) simulation is the workhorse of various scientific domains but is limited by high computational cost. Learning-based force fields have made major progress in accelerating ab-initio MD simulation but are still not fast enough for many real-world applications that require long-time MD simulation. In this paper, we adopt a different machine learning approach where we coarse-grain a physical system using graph clustering, and model the system evolution with a very large time-integration step using graph neural networks. A novel score-based GNN refinement module resolves the long-standing challenge of long-time simulation instability. Despite only trained with short MD trajectory data, our learned simulator can generalize to unseen novel systems and simulate for much longer than the training trajectories. Properties requiring 10-100 ns level long-time dynamics can be accurately recovered at several-orders-of-magnitude higher speed than classical force fields. We demonstrate the effectiveness of our method on two realistic complex systems: (1) single-chain coarse-grained polymers in implicit solvent; (2) multi-component Li-ion polymer electrolyte systems.
Abstract（参考訳）: 分子動力学 (md) シミュレーションは様々な科学的領域のワークホースであるが、高い計算コストで制限される。学習に基づく力場は、ab-initio mdシミュレーションを加速する大きな進歩を遂げているが、長い時間mdシミュレーションを必要とする多くの実世界のアプリケーションでは、まだ十分ではない。本稿では,グラフクラスタリングを用いて物理系を粗粒化する機械学習アプローチを採用し,グラフニューラルネットワークを用いて,非常に大きな時間積分ステップでシステムの進化をモデル化する。新しいスコアベースのGNNリファインメントモジュールは、長期間のシミュレーション不安定性の長年の課題を解決する。短時間のmd軌道データでしか訓練できないが、学習シミュレータは未知の新しいシステムに一般化し、訓練軌道よりもずっと長くシミュレートすることができる。 10-100 nsレベルの長時間ダイナミクスを必要とする特性は、古典的力場よりも数次高い速度で正確に回復することができる。本手法の有効性を,(1)暗黙の溶媒中における単鎖粗粒ポリマー,(2)多成分Li-イオン高分子電解質系に示す。

関連論文リスト

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)
Rethinking materials simulations: Blending direct numerical simulations with neural operators [1.6874375111244329]
そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
論文参考訳（メタデータ） (2023-12-08T23:44:54Z)
Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文参考訳（メタデータ） (2023-05-21T03:51:03Z)
Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文参考訳（メタデータ） (2023-05-01T23:20:27Z)
Timewarp: Transferable Acceleration of Molecular Dynamics by Learning Time-Coarsened Dynamics [24.13304926093212]
我々は,マルコフ連鎖モンテカルロ法において,正規化フローを提案分布として用いる改良されたサンプリング手法であるTimewarpを提案する。フローはMDトラジェクトリ上でオフラインでトレーニングされ,105～106:textrmfs$の分子動力学をシミュレートして,大きなステップの時間化を学ぶ。
論文参考訳（メタデータ） (2023-02-02T15:48:39Z)
On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文参考訳（メタデータ） (2022-08-07T09:02:18Z)
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)
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)
Graph Neural Networks Accelerated Molecular Dynamics [0.0]
我々は,高速かつ正確な力予測を実現するGNN加速分子ダイナミクス(GAMD)モデルを開発した。その結果,GAMDはレナード・ジョーンズ(LJ)粒子と水(LJ+静電気)という2つの典型的な分子系の力学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） (2021-12-06T22:11:00Z)
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)
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。