論文の概要: Machine-Learned Invertible Coarse Graining for Multiscale Molecular
Modeling
- arxiv url: http://arxiv.org/abs/2305.01243v1
- Date: Tue, 2 May 2023 08:05:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 15:05:15.197303
- Title: Machine-Learned Invertible Coarse Graining for Multiscale Molecular
Modeling
- Title(参考訳): マルチスケール分子モデリングのための機械誘導可逆粗粒化
- Authors: Jun Zhang, Xiaohan Lin, Weinan E and Yi Qin Gao
- Abstract要約: マルチスケール分子モデリングには2つの課題がある。
ひとつは、細かいレベルから粗いレベルに情報を渡すことによって、粗い粒度(CG)モデルを構築することである。
もう1つは、CG構成によってより微細な分子の詳細を復元することである。
- 参考スコア(独自算出の注目度): 10.008175787706191
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multiscale molecular modeling is widely applied in scientific research of
molecular properties over large time and length scales. Two specific challenges
are commonly present in multiscale modeling, provided that information between
the coarse and fine representations of molecules needs to be properly
exchanged: One is to construct coarse grained (CG) models by passing
information from the fine to coarse levels; the other is to restore finer
molecular details given CG configurations. Although these two problems are
commonly addressed independently, in this work, we present a theory connecting
them, and develop a methodology called Cycle Coarse Graining (CCG) to solve
both problems in a unified manner. In CCG, reconstruction can be achieved via a
tractable optimization process, leading to a general method to retrieve fine
details from CG simulations, which in turn, delivers a new solution to the CG
problem, yielding an efficient way to calculate free energies in a
rare-event-free manner. CCG thus provides a systematic way for multiscale
molecular modeling, where the finer details of CG simulations can be
efficiently retrieved, and the CG models can be improved consistently.
- Abstract(参考訳): マルチスケール分子モデリングは、大きな時間と長さのスケールで分子特性の科学的研究に広く応用されている。
分子の粗い表現と微細な表現の間の情報は、適切に交換する必要があることを前提として、2つの特定の課題が存在する: 1つは、粒度から粗いレベルへの情報を渡すことによって粗い粒度(CG)モデルを構築することであり、もう1つはCG構成が与えられたときのより細かい分子の詳細を復元することである。
この2つの問題は独立して扱われることが多いが,本研究ではこれらを繋ぐ理論を提示し,両問題を統一的に解くためのサイクル粗粒化法(ccg)を考案する。
CCGにおいて、再構成はトラクタブルな最適化プロセスによって達成され、CGシミュレーションから詳細を検索する一般的な手法が実現され、CG問題に対する新たな解決策が提供され、希少な自由エネルギーを計算できる効率的な方法が生み出される。
したがって、CCGは、CGシミュレーションのより詳細な詳細を効率的に検索し、CGモデルを一貫して改善する、マルチスケール分子モデリングの体系的な方法を提供する。
関連論文リスト
- Backdiff: a diffusion model for generalized transferable protein
backmapping [9.815461018844523]
BackDiffは、タンパク質のバックマッピング問題における一般化と信頼性を実現するために設計された新しい生成モデルである。
本手法は,エンド・ツー・エンドのトレーニングを容易にするとともに,リトレーニングを必要とせず,異なるタンパク質および多様なCGモデルを効率的にサンプリングすることができる。
論文 参考訳(メタデータ) (2023-10-03T03:32:07Z) - Variational Monte Carlo on a Budget -- Fine-tuning pre-trained Neural
Wavefunctions [5.145741425164946]
深層学習に基づく変分モンテカルロ(DL-VMC)は、最近、精度の点で従来の手法よりも優れているが、計算コストが大きい。
本稿では,大規模かつ化学的に多様な分子集合上での自己教師付き波動関数最適化を用いたDL-VMCモデルを提案する。
このモデルを最適化せずに新しい分子に適用すると、波動関数や絶対エネルギーが得られ、CCSD(T)-2Zのような確立された手法よりも優れる。
論文 参考訳(メタデータ) (2023-07-15T09:56:22Z) - Statistically Optimal Force Aggregation for Coarse-Graining Molecular
Dynamics [55.41644538483948]
粗粒(CG)モデルは、原子論的な分子動力学で可能な以上の大きな分子複合体をシミュレートする可能性がある。
CG力場を学習するための広く使われている方法論は、全原子分子動力学からCG表現への力のマッピングと、平均してCG力場とマッチングするものである。
我々は、全原子力のCG表現へのマッピングには柔軟性があり、最もよく使われるマッピング手法は統計的に非効率的であり、全原子シミュレーションにおける制約の存在においても、潜在的に誤りであることを示した。
論文 参考訳(メタデータ) (2023-02-14T14:35:39Z) - Developing Machine-Learned Potentials for Coarse-Grained Molecular
Simulations: Challenges and Pitfalls [0.0]
粗粒化(CG)は、原子分解能で達成できるものよりも大きな系とより長い時間スケールで分子特性を調べることができる。
近年,CG粒子相互作用の学習,すなわちCG力場の開発のために機械学習技術が提案されている。
この研究では、各CG粒子に作用する力は、連続的なフィルタ畳み込みによって構築されたSchNetという名前の局所環境の学習された表現と相関する。
論文 参考訳(メタデータ) (2022-09-26T18:32:37Z) - 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) - Generative Coarse-Graining of Molecular Conformations [28.127928605838388]
本稿では,バックマッピング変換の確率的性質と幾何的整合性要件を組み込んだ新しいモデルを提案する。
われわれのアプローチは、常により現実的な構造を回復し、既存のデータ駆動手法よりも優れたマージンを持つ。
論文 参考訳(メタデータ) (2022-01-28T15:18:34Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z) - 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) - Conditional Constrained Graph Variational Autoencoders for Molecule
Design [70.59828655929194]
本稿では、このキーイデアを最先端のモデルで実装した、条件制約付きグラフ変分オートエンコーダ(CCGVAE)を提案する。
分子生成のために広く採用されている2つのデータセットについて、いくつかの評価指標について改善した結果を示す。
論文 参考訳(メタデータ) (2020-09-01T21:58:07Z) - Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
分子表現学習のための新しいフレームワークGROVERを提案する。
GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。
分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
論文 参考訳(メタデータ) (2020-06-18T08:37:04Z)
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。