論文の概要: Timewarp: Transferable Acceleration of Molecular Dynamics by Learning Time-Coarsened Dynamics

• arxiv url: http://arxiv.org/abs/2302.01170v2
• Date: Fri, 1 Dec 2023 13:21:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-04 19:06:09.634405
• Title: Timewarp: Transferable Acceleration of Molecular Dynamics by Learning Time-Coarsened Dynamics
• Title（参考訳）: Timewarp: 時間相関ダイナミクスの学習による分子動力学の伝達可能な加速
• Authors: Leon Klein, Andrew Y. K. Foong, Tor Erlend Fjelde, Bruno Mlodozeniec, Marc Brockschmidt, Sebastian Nowozin, Frank No\'e, Ryota Tomioka
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 24.13304926093212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular dynamics (MD) simulation is a widely used technique to simulate molecular systems, most commonly at the all-atom resolution where equations of motion are integrated with timesteps on the order of femtoseconds ($1\textrm{fs}=10^{-15}\textrm{s}$). MD is often used to compute equilibrium properties, which requires sampling from an equilibrium distribution such as the Boltzmann distribution. However, many important processes, such as binding and folding, occur over timescales of milliseconds or beyond, and cannot be efficiently sampled with conventional MD. Furthermore, new MD simulations need to be performed for each molecular system studied. We present Timewarp, an enhanced sampling method which uses a normalising flow as a proposal distribution in a Markov chain Monte Carlo method targeting the Boltzmann distribution. The flow is trained offline on MD trajectories and learns to make large steps in time, simulating the molecular dynamics of $10^{5} - 10^{6}\:\textrm{fs}$. Crucially, Timewarp is transferable between molecular systems: once trained, we show that it generalises to unseen small peptides (2-4 amino acids) at all-atom resolution, exploring their metastable states and providing wall-clock acceleration of sampling compared to standard MD. Our method constitutes an important step towards general, transferable algorithms for accelerating MD.
• Abstract（参考訳）: 分子動力学 (md) シミュレーションは分子系をシミュレートするために広く使われている手法であり、最も一般的には運動方程式がフェムト秒の順序で時間ステップと統合される全原子分解能 ($1\textrm{fs}=10^{-15}\textrm{s}$) において用いられる。 MDはしばしば平衡特性の計算に使われ、ボルツマン分布のような平衡分布からのサンプリングを必要とする。 しかし、結合や折り畳みなどの多くの重要なプロセスはミリ秒以上の時間スケールで発生し、従来のMDでは効率的にサンプル化できない。 さらに、研究する分子システムごとに新しいmdシミュレーションを行う必要がある。 ボルツマン分布をターゲットとした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利用する拡張サンプリング手法であるTimewarpを提案する。 フローはmd軌道上でオフラインでトレーニングされ、10^{5}10^{6}\:\textrm{fs}$の分子動力学をシミュレートして、大きなステップを経ることを学ぶ。 重要なことは、Timewarpは分子システム間で転送可能であり、一度訓練すると、全原子分解能で見つからない小さなペプチド(2-4アミノ酸)に一般化し、その準安定状態を探究し、標準MDと比較してサンプリングのウォールクロック加速度を与える。 提案手法は,mdを高速化するための一般的な転送可能アルゴリズムへの重要なステップである。

関連論文リスト

• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Conditional Normalizing Flows for Active Learning of Coarse-Grained Molecular Representations [0.6906005491572401]
  フローの正規化のような生成機械学習手法は、サンプルなしでボルツマン分布を直接学習するために使われてきた。 本研究では,この問題を細粒度と粗粒度という2つのレベルに分けることで,この問題に対処する。 構成空間を探索するために,フローを更新し,必要時にのみ全原子ポテンシャルエネルギー評価を行うことのできる,能動学習による粗粒度シミュレーションを用いる。
  論文  参考訳（メタデータ） (2024-02-02T07:44:26Z)
• 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)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Implicit Transfer Operator Learning: Multiple Time-Resolution Surrogates for Molecular Dynamics [8.35780131268962]
  シミュレーションプロセスのサロゲートを複数の時間分解能で学習するフレームワークであるImplict Transfer Operator (ITO) Learningを提案する。 また、全原子分子動力学を定量的にモデル化できる粗粒CG-SE3-ITOモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-29T12:19:41Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• 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)
• Simulate Time-integrated Coarse-grained Molecular Dynamics with Multi-Scale Graph Networks [4.444748822792469]
  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。
  論文  参考訳（メタデータ） (2022-04-21T18:07:08Z)
• A Score-based Geometric Model for Molecular Dynamics Simulations [33.158796937777886]
  分子配座のログ密度の勾配を推定する新しいモデルScoreMDを提案する。 複数のアーキテクチャの改善により、MD17とC7O2H10の異性体において最先端のベースラインよりも優れています。 この研究は、新しい物質の加速と薬物発見に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2022-04-19T05:13:46Z)
• NNP/MM: Accelerating molecular dynamics simulations with machine learning potentials and molecular mechanic [38.50309739333058]
  ニューラルネットワーク電位(NNP)と分子力学(MM)を組み合わせたハイブリッド手法(NNP/MM)の最適化実装を提案する。 このアプローチは、小さな分子のようなシステムの一部をNNPを用いてモデル化し、残りのシステムにMMを用いて効率を向上する。 これにより, シミュレーション速度を5倍に向上し, 複合体毎の1マイクロ秒の同時サンプリングを実現し, この種のシミュレーションで報告された最長のシミュレーションとなった。
  論文  参考訳（メタデータ） (2022-01-20T10:57:20Z)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)

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。