論文の概要: PolyGET: Accelerating Polymer Simulations by Accurate and Generalizable
Forcefield with Equivariant Transformer
- arxiv url: http://arxiv.org/abs/2309.00585v1
- Date: Fri, 1 Sep 2023 17:01:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 12:50:00.759317
- Title: PolyGET: Accelerating Polymer Simulations by Accurate and Generalizable
Forcefield with Equivariant Transformer
- Title（参考訳）: PolyGET: 変圧器を用いた精密および一般化力場による高分子シミュレーションの高速化
- Authors: Rui Feng, Huan Tran, Aubrey Toland, Binghong Chen, Qi Zhu, Rampi
Ramprasad, Chao Zhang
- Abstract要約: 一般化可能な等変変換器を用いた高分子力場のための新しいフレームワークであるPolyGETを提案する。
PolyGETは、原子間の複雑な量子相互作用を捕捉し、様々なポリマーファミリーにまたがって一般化するように設計されている。
我々は,24種類の異なるポリマーの大規模データセット上でPolyGETを評価し,力の精度およびロバストMDシミュレーションにおける最先端性能を実証した。
- 参考スコア（独自算出の注目度）: 19.273404278711794
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Polymer simulation with both accuracy and efficiency is a challenging task.
Machine learning (ML) forcefields have been developed to achieve both the
accuracy of ab initio methods and the efficiency of empirical force fields.
However, existing ML force fields are usually limited to single-molecule
settings, and their simulations are not robust enough. In this paper, we
present PolyGET, a new framework for Polymer Forcefields with Generalizable
Equivariant Transformers. PolyGET is designed to capture complex quantum
interactions between atoms and generalize across various polymer families,
using a deep learning model called Equivariant Transformers. We propose a new
training paradigm that focuses exclusively on optimizing forces, which is
different from existing methods that jointly optimize forces and energy. This
simple force-centric objective function avoids competing objectives between
energy and forces, thereby allowing for learning a unified forcefield ML model
over different polymer families. We evaluated PolyGET on a large-scale dataset
of 24 distinct polymer types and demonstrated state-of-the-art performance in
force accuracy and robust MD simulations. Furthermore, PolyGET can simulate
large polymers with high fidelity to the reference ab initio DFT method while
being able to generalize to unseen polymers.
- Abstract（参考訳）: 精度と効率の両立した高分子シミュレーションは難しい課題である。
ab initio法の精度と経験的力場の効率の両方を達成するために、機械学習(ml)力場が開発されている。
しかし、既存のML力場は通常シングル分子設定に限られており、シミュレーションは十分に堅牢ではない。
本稿では,ポリゲット(ポリゲット)について述べる。ポリゲット(ポリゲット)は,等変圧器を一般化した高分子力場のための新しいフレームワークである。
PolyGETは、Equivariant Transformerと呼ばれるディープラーニングモデルを用いて、原子間の複雑な量子相互作用をキャプチャし、様々なポリマーファミリーを一般化するように設計されている。
我々は,力とエネルギーを協調的に最適化する既存の手法とは異なる,力の最適化に特化した新しい訓練パラダイムを提案する。
この単純な力中心目的関数は、エネルギーと力の競合する目的を避けるため、異なるポリマーファミリー上で統一された力場mlモデルを学ぶことができる。
ポリゲットを24種類の異なるポリマーの大規模データセット上で評価し, 力の精度とロバストなmdシミュレーションにおいて最先端の性能を示した。
さらに、PolyGETは、参照ab initio DFT法に高い忠実度で大きなポリマーをシミュレートできると同時に、目に見えないポリマーに一般化することができる。
関連論文リスト
- Equivariant Graph Network Approximations of High-Degree Polynomials for Force Field Prediction [62.05532524197309]
同変深部モデルでは、分子動力学シミュレーションにおいて原子ポテンシャルと力場を正確に予測できることが示されている。
本研究では、同変アーキテクチャの同変関数を解析し、PACEと呼ばれる新しい同変ネットワークを導入する。
一般的なベンチマークで実験されたように、PACEは原子エネルギーと力場の予測における最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-11-06T19:34:40Z) - 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) - Molecular Geometry-aware Transformer for accurate 3D Atomic System
modeling [51.83761266429285]
本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。
MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
論文 参考訳（メタデータ） (2023-02-02T03:49:57Z) - TransPolymer: a Transformer-based language model for polymer property
predictions [9.04563945965023]
TransPolymerは、トランスフォーマーをベースとした、高分子特性予測のための言語モデルである。
ケミカル・アウェアネスを用いたポリマー・トークンーザは, ポリマー配列からの学習表現を可能にする。
論文 参考訳（メタデータ） (2022-09-03T01:29:59Z) - Contrastive Learning of Coarse-Grained Force Fields [2.610895122644814]
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。
論文 参考訳（メタデータ） (2022-05-22T16:25:16Z) - 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) - Copolymer Informatics with Multi-Task Deep Neural Networks [0.0]
コポリマーの性質予測の課題に取り組み、ホモポリマーを超えてポリマーインフォマティクスフレームワークを拡張します。
2つのモノマーのホモポリマーと共重合体のガラス転移、融解、分解温度の18,000以上のデータポイントを含む大きなデータセットを用いる。
開発されたモデルは、適切なデータが利用可能になったときに、よりコポリマー特性に正確、迅速、柔軟、スケーラブルです。
論文 参考訳（メタデータ） (2021-03-25T23:28:20Z) - Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。
これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文 参考訳（メタデータ） (2021-03-01T22:55:48Z) - A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。
本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。
我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文 参考訳（メタデータ） (2021-02-04T03:11:00Z) - Polymers for Extreme Conditions Designed Using Syntax-Directed
Variational Autoencoders [53.34780987686359]
現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。
このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。
文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
論文 参考訳（メタデータ） (2020-11-04T21:36:59Z) - Polymer Informatics: Current Status and Critical Next Steps [1.3238373064156097]
サロゲートモデルは、インスタントプロパティ予測のために利用可能なポリマーデータに基づいて訓練される。
データ駆動型戦略は, 高分子の化学的, 物理的多様性から生じる特異な課題に, 小規模かつ大規模に対処するものである。
アプリケーションターゲットを満たす高度なAIアルゴリズムを用いて, 高分子レコメンデーションを行う逆問題の解法について検討している。
論文 参考訳（メタデータ） (2020-11-01T14:17:22Z)
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。