論文の概要: Invertible Coarse Graining with Physics-Informed Generative Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2305.01243v2
• Date: Sun, 21 Jul 2024 01:20:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 05:56:27.569398
• Title: Invertible Coarse Graining with Physics-Informed Generative Artificial Intelligence
• Title（参考訳）: 物理インフォームド生成人工知能を用いたインバータブル粗粒化
• Authors: Jun Zhang, Xiaohan Lin, Weinan E, 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。 1つは、粗粒度から粗粒度への情報伝達による粗粒度モデルの構築であり、もう1つは粗粒度構成が与えられたときのより微細な分子の詳細を復元することである。 本稿では,これらを結合する理論を提案し,両問題を統一的に解くためのCycle Coarse Graining (CCG) と呼ばれる方法論を開発した。
• 参考スコア（独自算出の注目度）: 9.343446996260328
• 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 models by passing information from the fine to coarse levels; the other is to restore finer molecular details given coarse grained 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 deep generative model, allowing retrieval of fine details from coarse-grained simulations. The reconstruction in turn delivers better coarse-grained models which are informed of the fine-grained physics, and enables calculation of the free energies in a rare-event-free manner. CCG thus provides a systematic way for multiscale molecular modeling, where the finer details of coarse-grained simulations can be efficiently retrieved, and the coarse-grained models can be improved consistently.
• Abstract（参考訳）: マルチスケール分子モデリングは、大規模な時間と長さのスケールにおける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条件として、2つの特定の課題が存在する: 1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のモデルを構築すること、もう1つは、粗い粒度の設定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。 これらの2つの問題は独立して解決されるが、本研究ではそれらを結合する理論を提示し、両問題を統一的に解くためのCycle Coarse Graining(CCG)と呼ばれる方法論を開発する。 CCGでは、粗い粒度のシミュレーションから細部を抽出し、抽出可能な深部生成モデルにより再構成を行うことができる。 復元によって、より粗い粒度のモデルが提供され、より微細な物理を知らせ、希少な無限の方法で自由エネルギーの計算が可能になる。 これにより、CCGは、粗粒度シミュレーションのより詳細な詳細を効率的に検索し、粗粒度モデルを一貫した改善が可能な、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

• Generative Modeling of Molecular Dynamics Trajectories [12.255021091552441]
  データからMDの柔軟なマルチタスクサロゲートモデルを学ぶためのパラダイムとして,分子軌道の生成モデルを提案する。 このような生成モデルは,前方シミュレーションや遷移経路サンプリング,軌道上アップサンプリングといった多様なタスクに適応可能であることを示す。
  論文  参考訳（メタデータ） (2024-09-26T13:02:28Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• Hybrid Quantum Generative Adversarial Networks for Molecular Simulation and Drug Discovery [13.544339314714902]
  現在の古典的な計算力は、小さな分子以上をシミュレートするには不十分である。 毎年数十億ドルが研究に費やされている。 グラフ構造化データの深い生成モデルは、化学合成の問題に新たな視点を与えてくれる。
  論文  参考訳（メタデータ） (2022-12-15T13:36:35Z)
• Super-resolution in Molecular Dynamics Trajectory Reconstruction with Bi-Directional Neural Networks [0.0]
  機械学習(ML)の異なる手法を探索し、後処理のステップで分子動力学軌道の解像度をオンデマンドで向上する。 サーモスタット軌道の局所的時間対称性を利用して、長距離相関を学習し、分子の複雑さにまたがる雑音のダイナミックスに対して高いロバスト性を示すことができる。
  論文  参考訳（メタデータ） (2022-01-02T23:00:30Z)
• 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)
• Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
  分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。 本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
  論文  参考訳（メタデータ） (2020-10-19T09:34:20Z)
• 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。