Fugu-MT 論文翻訳(概要): Generative methods for sampling transition paths in molecular dynamics

論文の概要: Generative methods for sampling transition paths in molecular dynamics

arxiv url: http://arxiv.org/abs/2205.02818v1
Date: Thu, 5 May 2022 17:50:10 GMT
ステータス: 処理完了
システム内更新日: 2022-05-06 14:27:57.633980
Title: Generative methods for sampling transition paths in molecular dynamics
Title（参考訳）: 分子動力学における遷移経路のサンプリング法
Authors: Tony Leli\`evre, Genevi\`eve Robin, Inass Sekkat, Gabriel Stoltz, Gabriel Victorino Cardoso
Abstract要約: 1つの準安定状態と他の状態とをリンクする遷移経路のシミュレーションは、直接数値法により困難である。本稿では,変分オートエンコーダなどの生成モデルに基づくサンプリング手法と,強化学習に基づく重要サンプリング手法について検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Molecular systems often remain trapped for long times around some local minimum of the potential energy function, before switching to another one -- a behavior known as metastability. Simulating transition paths linking one metastable state to another one is difficult by direct numerical methods. In view of the promises of machine learning techniques, we explore in this work two approaches to more efficiently generate transition paths: sampling methods based on generative models such as variational autoencoders, and importance sampling methods based on reinforcement learning.
Abstract（参考訳）: 分子系はしばしば、準安定性と呼ばれる振る舞いに切り替える前に、ポテンシャルエネルギー関数の局所的な最小値付近で長い間閉じ込められている。ある準安定状態と別の状態を結ぶ遷移経路をシミュレートすることは直接数値的手法では難しい。本稿では,機械学習手法の期待を踏まえ,変分オートエンコーダなどの生成モデルに基づくサンプリング法と強化学習に基づく重要サンプリング法という,遷移経路をより効率的に生成するための2つの手法について検討する。

関連論文リスト

Sequential Controlled Langevin Diffusions [80.93988625183485]
2つの一般的な方法として,(1) 所定のマルコフ連鎖と再サンプリング工程を通した連続モンテカルロ (SMC) と,(2) 学習された動的輸送を用いる拡散に基づくサンプリング手法が最近開発された。本稿では,SMC と拡散型サンプリング器を連続的に観察し,経路空間の測度を考慮し,SMC と拡散型サンプリング器を組み合わせるための基本的枠組みを提案する。これは、従来の拡散のトレーニング予算の10%しか使用しない場合が多いが、これらの手法の利点を活用でき、複数のベンチマーク問題の性能向上に資するSCLD(Sequential Controlled Langevin Diffusion)サンプリング手法の成果である。
論文参考訳（メタデータ） (2024-12-10T00:47:10Z)
Generalized Flow Matching for Transition Dynamics Modeling [14.76793118877456]
局所力学から非線形性を学習することでシミュレーションをウォームアップするデータ駆動手法を提案する。具体的には、局所力学データからポテンシャルエネルギー関数を推定し、2つの準安定状態間の可塑性経路を求める。提案手法の有効性を検証するため, 合成分子系と実世界の分子系の両方において, 確率的経路をサンプリングする手法の有効性を検証する。
論文参考訳（メタデータ） (2024-10-19T15:03:39Z)
Laplace Transform Based Low-Complexity Learning of Continuous Markov Semigroups [22.951644463554352]
本稿ではマルコフ半群の無限小生成器(IG)のスペクトル分解を通してマルコフ過程を学習するためのデータ駆動型アプローチを提案する。物理インフォームドカーネルレグレッションを含む既存の技術は計算コストが高く、スコープが限られている。本稿では,移動演算子のラプラス変換を特徴とするIGの分解能を利用する新しい手法を提案する。
論文参考訳（メタデータ） (2024-10-18T14:02:06Z)
Transition Path Sampling with Improved Off-Policy Training of Diffusion Path Samplers [10.210248065533133]
本稿では,拡散経路サンプリング問題に対処するために拡散経路サンプリング器(DPS)を訓練する新しい手法を提案する。 DPSにより誘導される経路分布と遷移経路分布との対数分散を最小化することにより、遷移経路分布からの償却サンプリングとして問題を再構築する。我々は、TPS-DPSと呼ばれる我々のアプローチを、合成系、小ペプチド、高速折りたたみタンパク質で広範囲に評価し、既存のベースラインよりも現実的で多様な遷移経路を生み出すことを実証した。
論文参考訳（メタデータ） (2024-05-30T11:32:42Z)
Transition Path Sampling with Boltzmann Generator-based MCMC Moves [49.69940954060636]
サンプル遷移経路への現在のアプローチはマルコフ連鎖モンテカルロを用いており、新しい経路を見つけるために時間集約的な分子動力学シミュレーションに依存している。我々の手法は、分子のボルツマン分布からガウスへ写像する正規化フローの潜在空間で機能し、分子シミュレーションを必要とせずに新しい経路を提案する。
論文参考訳（メタデータ） (2023-12-08T20:05:33Z)
Diffusion Methods for Generating Transition Paths [6.222135766747873]
本研究では,スコアベース生成モデルを用いて準安定状態間の稀な遷移をシミュレートする。本稿では,チェーンベースアプローチとミッドポイントベースアプローチの2つの新しい経路生成手法を提案する。 M"uller電位とアラニンジペプチドが生成する遷移経路の数値的な結果は、これらのアプローチがデータリッチとデータスカースの両方で有効であることを示す。
論文参考訳（メタデータ） (2023-09-19T03:03:03Z)
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)
Enhanced Sampling of Configuration and Path Space in a Generalized Ensemble by Shooting Point Exchange [71.49868712710743]
長寿命状態間の遷移によって引き起こされる稀な事象をシミュレートする新しい手法を提案する。このスキームは遷移経路サンプリングシミュレーションの効率を大幅に向上させる。力学を歪ませることなく、分子過程の熱力学、動力学、反応座標に関する情報を得る。
論文参考訳（メタデータ） (2023-02-17T08:41:31Z)
Conditioning Normalizing Flows for Rare Event Sampling [61.005334495264194]
本稿では,ニューラルネットワーク生成構成に基づく遷移経路サンプリング手法を提案する。本手法は遷移領域の熱力学と運動学の両方の解法を可能にすることを示す。
論文参考訳（メタデータ） (2022-07-29T07:56:10Z)
Continuous Transition: Improving Sample Efficiency for Continuous Control Problems via MixUp [119.69304125647785]
本稿では,連続的遷移を構築するための簡潔かつ強力な手法を提案する。具体的には、連続的な遷移を線形に補間することにより、トレーニングのための新しい遷移を合成することを提案する。また, 建設過程を自動案内する判別器を開発した。
論文参考訳（メタデータ） (2020-11-30T01:20:23Z)

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。