Fugu-MT 論文翻訳(概要): Simulate Time-integrated Coarse-grained Molecular Dynamics with Multi-Scale Graph Networks

論文の概要: Simulate Time-integrated Coarse-grained Molecular Dynamics with Multi-Scale Graph Networks

arxiv url: http://arxiv.org/abs/2204.10348v3
Date: Sat, 26 Aug 2023 21:35:16 GMT
ステータス: 処理完了
システム内更新日: 2023-08-30 02:04:08.458053
Title: Simulate Time-integrated Coarse-grained Molecular Dynamics with Multi-Scale Graph Networks
Title（参考訳）: マルチスケールグラフネットワーク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アブ・イニシアトMDシミュレーションの高速化に大きな進歩を遂げているが、現実の多くのアプリケーションでは不十分である。非常に大きな時間ステップで、粗粒MDを直接シミュレートするマルチスケールグラフニューラルネットワークを学習することで、これらの課題に対処することを目指している。
参考スコア（独自算出の注目度）: 4.444748822792469
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Molecular dynamics (MD) simulation is essential for various scientific domains but computationally expensive. Learning-based force fields have made significant progress in accelerating ab-initio MD simulation but are not fast enough for many real-world applications due to slow inference for large systems and small time steps (femtosecond-level). We aim to address these challenges by learning a multi-scale graph neural network that directly simulates coarse-grained MD with a very large time step (nanosecond-level) and a novel refinement module based on diffusion models to mitigate simulation instability. The effectiveness of our method is demonstrated in two complex systems: single-chain coarse-grained polymers and multi-component Li-ion polymer electrolytes. For evaluation, we simulate trajectories much longer than the training trajectories for systems with different chemical compositions that the model is not trained on. Structural and dynamical properties can be accurately recovered at several orders of magnitude higher speed than classical force fields by getting out of the femtosecond regime.
Abstract（参考訳）: 分子動力学(MD)シミュレーションは様々な科学領域に必須であるが、計算コストが高い。学習に基づく力場はアブ・イニシアトMDシミュレーションの高速化において大きな進歩を遂げているが、大規模なシステムや小さな時間ステップ(フェムト秒レベル)での推論が遅いため、多くの実世界のアプリケーションでは不十分である。これらの課題に対処するために、非常に大きな時間ステップ(ナノ秒レベル)で粗粒MDを直接シミュレートするマルチスケールグラフニューラルネットワークと、シミュレーション不安定性を緩和する拡散モデルに基づく新しい洗練されたモジュールを学習する。本手法の有効性は, 単鎖粗粒ポリマーと多成分liイオンポリマー電解質の2つの複合系で実証された。評価のために、モデルが訓練されていない異なる化学組成を持つシステムの訓練軌道よりもずっと長い軌道をシミュレートする。構造的および動的性質は、フェムト秒状態から抜け出して古典的な力場よりも数桁高い速度で正確に回復することができる。

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。