論文の概要: OpenMM 8: Molecular Dynamics Simulation with Machine Learning Potentials

• arxiv url: http://arxiv.org/abs/2310.03121v2
• Date: Wed, 29 Nov 2023 20:55:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 23:11:54.793662
• Title: OpenMM 8: Molecular Dynamics Simulation with Machine Learning Potentials
• Title（参考訳）: openmm 8: 機械学習ポテンシャルを用いた分子動力学シミュレーション
• Authors: Peter Eastman, Raimondas Galvelis, Ra\'ul P. Pel\'aez, Charlles R. A. Abreu, Stephen E. Farr, Emilio Gallicchio, Anton Gorenko, Michael M. Henry, Frank Hu, Jing Huang, Andreas Kr\"amer, Julien Michel, Joshua A. Mitchell, Vijay S. Pande, Jo\~ao PGLM Rodrigues, Jaime Rodriguez-Guerra, Andrew C. Simmonett, Sukrit Singh, Jason Swails, Philip Turner, Yuanqing Wang, Ivy Zhang, John D. Chodera, Gianni De Fabritiis, Thomas E. Markland
• Abstract要約: 本稿では、Arbitrary PyTorchモデルをシミュレーションに追加し、力とエネルギーを計算する方法を示す。 高レベルインタフェースにより、ユーザーは一般目的、事前訓練されたポテンシャル関数で興味ある分子を簡単にモデル化できる。 これらの特徴は、水中のサイクリン依存性キナーゼ8 (CDK8) と緑色蛍光タンパク質 (GFP) のクロロフォアのシミュレーションで示される。
• 参考スコア（独自算出の注目度）: 5.84695117954457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning plays an important and growing role in molecular simulation. The newest version of the OpenMM molecular dynamics toolkit introduces new features to support the use of machine learning potentials. Arbitrary PyTorch models can be added to a simulation and used to compute forces and energy. A higher-level interface allows users to easily model their molecules of interest with general purpose, pretrained potential functions. A collection of optimized CUDA kernels and custom PyTorch operations greatly improves the speed of simulations. We demonstrate these features on simulations of cyclin-dependent kinase 8 (CDK8) and the green fluorescent protein (GFP) chromophore in water. Taken together, these features make it practical to use machine learning to improve the accuracy of simulations at only a modest increase in cost.
• Abstract（参考訳）: 機械学習は分子シミュレーションにおいて重要な役割を担っている。 openmm molecular dynamics toolkitの最新バージョンでは、機械学習ポテンシャルの使用をサポートする新機能が導入されている。 任意のPyTorchモデルはシミュレーションに追加でき、力とエネルギーを計算するのに使われる。 高レベルインタフェースにより、ユーザーは一般目的、事前訓練されたポテンシャル関数で興味ある分子を簡単にモデル化できる。 最適化されたCUDAカーネルとカスタムPyTorch操作のコレクションは、シミュレーションのスピードを大幅に向上させる。 これらの特徴は、水中のサイクリン依存性キナーゼ8 (CDK8) と緑色蛍光タンパク質 (GFP) のクロロフォアのシミュレーションで示される。 これらの特徴を組み合わせることで、機械学習を使用してシミュレーションの精度をわずかに高いコストで向上させることができる。

関連論文リスト

• Machine Learning Potentials: A Roadmap Toward Next-Generation Biomolecular Simulations [4.169915659794567]
  機械学習のポテンシャルは、量子化学から粗い粒度のモデルまで、スケールにわたる分子シミュレーションのための革命的で統一的なフレームワークを提供する。 化学生物学および関連分野におけるその変革の可能性を完全に実現するために対処しなければならない重要な課題について論じる。
  論文  参考訳（メタデータ） (2024-08-17T07:53:33Z)
• 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)
• 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)
• 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)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Using Machine Learning at Scale in HPC Simulations with SmartSim: An Application to Ocean Climate Modeling [52.77024349608834]
  We demonstrate the first climate-scale, numerical ocean Simulations improve through distributed, online inference of Deep Neural Networks (DNN) using SmartSim。 SmartSimは、従来のHPCシミュレーションのためのオンライン分析と機械学習(ML)を可能にするためのライブラリです。
  論文  参考訳（メタデータ） (2021-04-13T19:27:28Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• TorchMD: A deep learning framework for molecular simulations [0.0]
  古典的および機械学習の混合ポテンシャルを持つ分子シミュレーションのためのフレームワークであるTorchMDを提示する。 標準のamber全原子シミュレーションを用いて検証を行い、ab-initioポテンシャルを学習し、エンドツーエンドのトレーニングを行い、最後にタンパク質折り畳みのための粗粒モデルを学習しシミュレーションする。
  論文  参考訳（メタデータ） (2020-12-22T15:43:27Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Integrating Machine Learning with HPC-driven Simulations for Enhanced Student Learning [0.0]
  シミュレーション出力を生成するためのHPC駆動型シミュレーションとMLサロゲート手法の両方をサポートするWebアプリケーションを開発した。 授業内フィードバックと調査を通じて評価した結果,ML強化ツールは動的かつ応答性のあるシミュレーション環境を提供することがわかった。
  論文  参考訳（メタデータ） (2020-08-24T22:48:21Z)

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。