Fugu-MT 論文翻訳(概要): Learning Pair Potentials using Differentiable Simulations

論文の概要: Learning Pair Potentials using Differentiable Simulations

arxiv url: http://arxiv.org/abs/2209.07679v1
Date: Fri, 16 Sep 2022 02:36:02 GMT
ステータス: 処理完了
システム内更新日: 2022-09-19 13:54:03.952361
Title: Learning Pair Potentials using Differentiable Simulations
Title（参考訳）: 微分可能シミュレーションによるペアポテンシャルの学習
Authors: Wujie Wang, Zhenghao Wu, Rafael G\'omez-Bombarelli
Abstract要約: 微分可能シミュレーション(DiffSim)を用いたデータからの対の相互作用の一般的な学習法を提案する。 DiffSimは分子動力学(MD)シミュレーションを通じて、放射分布関数のような構造的可観測関数に基づく損失関数を定義する。相互作用ポテンシャルは直接勾配降下によって学習され、バックプロパゲーションを用いて構造損失計量の勾配を計算する。
参考スコア（独自算出の注目度）: 1.9950682531209156
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Learning pair interactions from experimental or simulation data is of great interest for molecular simulations. We propose a general stochastic method for learning pair interactions from data using differentiable simulations (DiffSim). DiffSim defines a loss function based on structural observables, such as the radial distribution function, through molecular dynamics (MD) simulations. The interaction potentials are then learned directly by stochastic gradient descent, using backpropagation to calculate the gradient of the structural loss metric with respect to the interaction potential through the MD simulation. This gradient-based method is flexible and can be configured to simulate and optimize multiple systems simultaneously. For example, it is possible to simultaneously learn potentials for different temperatures or for different compositions. We demonstrate the approach by recovering simple pair potentials, such as Lennard-Jones systems, from radial distribution functions. We find that DiffSim can be used to probe a wider functional space of pair potentials compared to traditional methods like Iterative Boltzmann Inversion. We show that our methods can be used to simultaneously fit potentials for simulations at different compositions and temperatures to improve the transferability of the learned potentials.
Abstract（参考訳）: 実験データまたはシミュレーションデータからのペア相互作用の学習は、分子シミュレーションにとって非常に興味深い。本稿では微分可能シミュレーション(diffsim)を用いて,データからペアインタラクションを学習する一般的な確率的手法を提案する。 DiffSimは分子動力学(MD)シミュレーションを通じて、放射分布関数のような構造観測関数に基づく損失関数を定義する。相互作用ポテンシャルは確率勾配降下により直接学習され、バックプロパゲーションを用いてMDシミュレーションにより相互作用ポテンシャルに関する構造損失計量の勾配を計算する。この勾配法は柔軟であり、同時に複数のシステムをシミュレートし最適化するように構成できる。例えば、異なる温度や異なる組成のポテンシャルを同時に学習することができる。我々は、ラジアル分布関数からレナード・ジョーンズ系のような単純なペアポテンシャルを復元することで、アプローチを実証する。 DiffSim はイテレーティブ・ボルツマン・インバージョン(英語版)のような従来の手法と比較して、ペアポテンシャルのより広い汎函数空間を探索することができる。本手法は, 異なる組成と温度のシミュレーションのポテンシャルに同時に適合し, 学習電位の伝達性を向上させることができることを示す。

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)
Simulation-based inference using surjective sequential neural likelihood estimation [50.24983453990065]
主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
論文参考訳（メタデータ） (2023-08-02T10:02:38Z)
Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文参考訳（メタデータ） (2023-06-19T06:02:53Z)
Improving Gradient Computation for Differentiable Physics Simulation with Contacts [10.450509067356148]
接触による剛体シミュレーションについて検討した。連続衝突検出による勾配計算の改善とTOI(Time-of-Ipact)の利用を提案する。そこで,TOI-Veでは,解析解と一致する最適制御系列を学習できることを示す。
論文参考訳（メタデータ） (2023-04-28T21:10:16Z)
Physics-constrained neural differential equations for learning multi-ionic transport [0.0]
我々は,ポリアミドナノ孔間のイオン輸送挙動を学習する物理インフォームド深層学習モデルを開発した。ニューラル・ディファレンシャル・方程式を古典的閉包モデルと組み合わせて、ニューラル・フレームワークに直接帰納バイアスとして利用する。
論文参考訳（メタデータ） (2023-03-07T17:18:52Z)
Maximum Likelihood Learning of Unnormalized Models for Simulation-Based Inference [44.281860162298564]
シミュレーションベース推論のための2つの合成確率法を提案する。本研究では,シミュレータによって生成された合成データを用いて,条件付きエネルギーベースモデル(EBM)を学習する。本研究は, カニの神経科学ネットワークのモデルに適用し, 各種合成データセット上での両手法の特性を実証する。
論文参考訳（メタデータ） (2022-10-26T14:38:24Z)
Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文参考訳（メタデータ） (2022-07-20T07:32:02Z)
Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文参考訳（メタデータ） (2022-07-12T16:08:04Z)
MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文参考訳（メタデータ） (2021-06-03T12:59:16Z)
Data-Driven Discovery of Coarse-Grained Equations [0.0]
マルチスケールモデリングとシミュレーションは、シミュレーションデータの学習がそのような発見につながる2つの分野である。我々は、そのようなモデルの人間の発見を、2つのモードで実行できるスパース回帰に基づく機械学習戦略に置き換える。一連の例は、方程式発見に対する我々のアプローチの正確性、堅牢性、限界を示している。
論文参考訳（メタデータ） (2020-01-30T23:41:37Z)
Simulation Assisted Likelihood-free Anomaly Detection [3.479254848034425]
本稿では,モデルに依存しない探索に両方のアプローチを最大限に活用するハイブリッド手法を提案する。 1つの特徴において共振性を持つポテンシャル信号に対して、この新しい手法は、まずパラメータ化再重み付け関数を学習し、与えられたシミュレーションを変形して、データをサイドバンドで整合させる。重み付けされたシミュレーションによる背景推定により、分類に使用される特徴と共鳴特徴との間には非自明な相関が生じる。
論文参考訳（メタデータ） (2020-01-14T19:00:09Z)

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。