論文の概要: Contrastive Learning of Coarse-Grained Force Fields

• arxiv url: http://arxiv.org/abs/2205.10861v1
• Date: Sun, 22 May 2022 16:25:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 19:52:20.331375
• Title: Contrastive Learning of Coarse-Grained Force Fields
• Title（参考訳）: 粗粒力場のコントラスト学習
• Authors: Xinqiang Ding and Bin Zhang
• Abstract要約: 本稿では,力場を効率的に学習する新しい手法を提案する。 電位差は、分子系の複雑なエネルギー環境をよりよく学習するために、傘サンプリングによるノイズコントラスト推定法を一般化する。
• 参考スコア（独自算出の注目度）: 2.610895122644814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coarse-grained models have proven helpful for simulating complex systems over long timescales to provide molecular insights into various processes. Methodologies for systematic parameterization of the underlying energy function, or force field that describes the interactions among different components of the system are of great interest for ensuring simulation accuracy. We present a new method, potential contrasting, to enable efficient learning of force fields that can accurately reproduce the conformational distribution produced with all-atom simulations. Potential contrasting generalizes the noise contrastive estimation method with umbrella sampling to better learn the complex energy landscape of molecular systems. When applied to the Trp-cage protein, we found that the technique produces force fields that thoroughly capture the thermodynamics of the folding process despite the use of only $\alpha$-Carbons in the coarse-grained model. We further showed that potential contrasting could be applied over large datasets that combine the conformational ensembles of many proteins to ensure the transferability of coarse-grained force fields. We anticipate potential contrasting to be a powerful tool for building general-purpose coarse-grained force fields.
• Abstract（参考訳）: 粗粒度モデルは、様々なプロセスに関する分子的な洞察を提供するために、長い時間スケールで複雑なシステムをシミュレートするのに役立つことが証明されている。 基礎となるエネルギー関数の体系的パラメータ化の手法、あるいはシステムの異なるコンポーネント間の相互作用を記述する力場は、シミュレーション精度を確保するために非常に興味深い。 そこで本研究では,全原子シミュレーションで生成したコンフォメーション分布を正確に再現できる力場を効率的に学習する手法を提案する。 ポテンシャルコントラストは、分子系の複雑なエネルギー環境をよりよく学習するために、ノイズコントラスト推定法と傘サンプリング法を一般化する。 trp-cageタンパク質に応用すると, 粗粒モデルにおいて$\alpha$-carbonsのみを使用しても, 折り畳み過程の熱力学を徹底的に捉える力場が生成することがわかった。 さらに,多くのタンパク質のコンフォメーションアンサンブルを組み合わせて粗粒の力場の移動性を確保する大規模データセットに対して,潜在的なコントラストが適用可能であることを示した。 我々は, 汎用粗粒力場構築のための強力なツールとして, 潜在的コントラストを期待する。

関連論文リスト

• Thermodynamic Transferability in Coarse-Grained Force Fields using Graph Neural Networks [36.136619420474766]
  グラフ畳み込みニューラルネットワークアーキテクチャを用いて、粗いきめ細かい力場のための高度に自動化されたトレーニングパイプラインを開発する。 この手法により, 高精度な力場が得られるが, これらの力場は様々な熱力学条件によりより伝達可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-17T21:44:05Z)
• Multi-Objective Optimization via Wasserstein-Fisher-Rao Gradient Flow [19.241821314180374]
  多目的最適化(MOO)は、広範囲のアプリケーションと競合する複数の目的を最適化することを目的としている。 分子動力学シミュレーションにインスパイアされたMOOのための新しい相互作用粒子法を提案する。
  論文  参考訳（メタデータ） (2023-11-22T04:49:16Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image Compression [63.56922682378755]
  本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。 提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。 実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-08-17T01:34:51Z)
• Top-down machine learning of coarse-grained protein force-fields [2.1485350418225244]
  我々の手法は、タンパク質を分子動力学でシミュレートし、その結果の軌道を利用してニューラルネットワーク電位を訓練することである。 注目すべきは、この方法はタンパク質のネイティブなコンフォメーションのみを必要とし、ラベル付きデータを必要としないことである。 マルコフ状態モデルを適用することで、シミュレーションされたタンパク質のネイティブな構造を粗い粒度のシミュレーションから予測することができる。
  論文  参考訳（メタデータ） (2023-06-20T08:31:24Z)
• Two for One: Diffusion Models and Force Fields for Coarse-Grained Molecular Dynamics [15.660348943139711]
  我々は、スコアベース生成モデル、力場、分子動力学の接続を利用して、トレーニング中に力入力を必要とせずにCG力場を学習する。 従来よりも大幅に簡易化されたトレーニングセットアップを持つ一方で,本手法がいくつかの小～中規模のタンパク質シミュレーションの性能向上につながることを実証した。
  論文  参考訳（メタデータ） (2023-02-01T17:09:46Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• 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)
• Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
  固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。 1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。 ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
  論文  参考訳（メタデータ） (2021-05-27T18:00:02Z)
• 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)
• Coarse Graining Molecular Dynamics with Graph Neural Networks [3.0279361008741827]
  本稿では,粗大な力場の機械学習のためのハイブリッドアーキテクチャを導入し,サブネットワークを介してそれぞれの特徴を学習する。 この枠組みは, 生体分子系における熱力学の再現に有効であることを示す。
  論文  参考訳（メタデータ） (2020-07-22T13:20:08Z)

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。