論文の概要: Autonomous Learning of Generative Models with Chemical Reaction Network
Ensembles
- arxiv url: http://arxiv.org/abs/2311.00975v2
- Date: Mon, 6 Nov 2023 19:07:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 18:42:02.484050
- Title: Autonomous Learning of Generative Models with Chemical Reaction Network
Ensembles
- Title(参考訳): 化学反応ネットワークアンサンブルを用いた生成モデルの自律学習
- Authors: William Poole, Thomas E. Ouldridge, and Manoj Gopalkrishnan
- Abstract要約: 我々は、幅広い種類の化学系が複雑な分布を自律的に学習できる一般的なアーキテクチャを開発する。
提案手法は, 相対エントロピーコスト関数の勾配降下という, 機械学習の最適化作業の化学的実装の形式を取り入れたものである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Can a micron sized sack of interacting molecules autonomously learn an
internal model of a complex and fluctuating environment? We draw insights from
control theory, machine learning theory, chemical reaction network theory, and
statistical physics to develop a general architecture whereby a broad class of
chemical systems can autonomously learn complex distributions. Our construction
takes the form of a chemical implementation of machine learning's optimization
workhorse: gradient descent on the relative entropy cost function. We show how
this method can be applied to optimize any detailed balanced chemical reaction
network and that the construction is capable of using hidden units to learn
complex distributions. This result is then recast as a form of integral
feedback control. Finally, due to our use of an explicit physical model of
learning, we are able to derive thermodynamic costs and trade-offs associated
to this process.
- Abstract(参考訳): ミクロンサイズの相互作用分子の袋は、複雑で変動する環境の内部モデルを自律的に学習できるのか?
本研究では, 制御理論, 機械学習理論, 化学反応ネットワーク理論, 統計物理学から知見を導き, 化学系が複雑な分布を自律的に学習できる汎用アーキテクチャを構築する。
提案手法は, 相対エントロピーコスト関数の勾配降下という, 機械学習の最適化作業の化学的実装の形をとる。
本研究では, この手法が化学反応ネットワークの詳細なバランスを保ち, 複雑な分布の学習に隠れたユニットを使用できることを示す。
この結果は積分フィードバック制御の形式として再キャストされる。
最後に、明示的な物理モデルを用いた学習により、このプロセスに関連する熱力学的コストとトレードオフを導出することができる。
関連論文リスト
- Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳(メタデータ) (2023-06-19T06:02:53Z) - 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) - Differentiable Programming of Chemical Reaction Networks [63.948465205530916]
化学反応ネットワークは、自然によって使用される最も基本的な計算基板の1つである。
膜によって分離された複数のチャンバーを持つシステムと同様に、よく混合されたシングルチャンバーシステムについて検討した。
我々は、微分可能な最適化と適切な正規化が相まって、非自明なスパース反応ネットワークを発見することを実証した。
論文 参考訳(メタデータ) (2023-02-06T11:41:14Z) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳(メタデータ) (2023-02-04T01:32:40Z) - Port-metriplectic neural networks: thermodynamics-informed machine
learning of complex physical systems [0.09332987715848712]
我々はポート・ハミルトン形式に基づく複雑な物理系の機械学習のための帰納バイアスを開発する。
構築されたネットワークは、複雑なシステムの物理を一部で学べることを示す。
論文 参考訳(メタデータ) (2022-11-03T15:04:27Z) - Detailed Balanced Chemical Reaction Networks as Generalized Boltzmann
Machines [0.0]
本稿では,生物化学計算機が内在性化学ノイズを用いて複雑な計算を行う方法を示す。
また、我々の明示的な物理モデルを用いて、推論の熱力学的コストを導出する。
論文 参考訳(メタデータ) (2022-05-12T18:59:43Z) - Differentiable Scaffolding Tree for Molecular Optimization [47.447362691543304]
本稿では,離散的な化学構造を局所的な微分可能木に変換するための知識ネットワークを用いた微分可能な足場木(DST)を提案する。
実験により, 勾配に基づく分子最適化は有効であり, 試料効率が高いことが示された。
論文 参考訳(メタデータ) (2021-09-22T01:16:22Z) - Quantum Markov Chain Monte Carlo with Digital Dissipative Dynamics on
Quantum Computers [52.77024349608834]
少数のアンシラ量子ビットを用いて環境との相互作用をシミュレートするデジタル量子アルゴリズムを開発した。
逆イジングモデルの熱状態のシミュレーションによるアルゴリズムの評価を行った。
論文 参考訳(メタデータ) (2021-03-04T18:21:00Z) - Machine learning of solvent effects on molecular spectra and reactions [3.4376560669160394]
本稿では、分子と任意の外部磁場との相互作用をモデル化するためのディープニューラルネットワークFieldSchNetを紹介する。
FieldSchNetは豊富な分子応答特性へのアクセスを提供し、幅広い分子スペクトルをシミュレートすることができる。
本研究では、FieldSchNetを用いて、溶媒効果が分子スペクトルおよびクレイゼン配位反応に与える影響を研究する。
論文 参考訳(メタデータ) (2020-10-28T12:50:30Z) - A Quantum Finite Automata Approach to Modeling the Chemical Reactions [0.0]
量子計算モデルを用いた化学情報処理の研究は自然な目標である。
線形時間で停止する2方向量子有限オートマトンを用いた化学反応をモデル化した。
化学アクセプション/リジェクトシグネチャと量子オートマトンモデルを組み合わせることで、計算の汎用性を向上できることが証明されている。
論文 参考訳(メタデータ) (2020-07-08T09:15:33Z) - Representations of molecules and materials for interpolation of
quantum-mechanical simulations via machine learning [0.0]
第一原理から分子や物質の計算的研究は、物理学、化学、材料科学の基盤となっている。
多くのシミュレーションを含む設定では、機械学習は参照シミュレーション間の補間によってこれらのコストを、しばしば桁違いに削減することができる。
我々は、統一された数学的枠組みを用いて、現在の表現とそれらの関係を包括的にレビューし、議論する。
論文 参考訳(メタデータ) (2020-03-26T18:01:35Z)
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。