論文の概要: Consensus-based adaptive sampling and approximation for high-dimensional energy landscapes
- arxiv url: http://arxiv.org/abs/2311.05009v4
- Date: Sat, 31 May 2025 21:57:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-03 20:53:52.767509
- Title: Consensus-based adaptive sampling and approximation for high-dimensional energy landscapes
- Title（参考訳）: 高次元エネルギー景観に対するコンセンサスに基づく適応サンプリングと近似
- Authors: Liyao Lyu, Huan Lei,
- Abstract要約: 高次元エネルギー景観におけるサロゲート構築のための残差適応サンプリングを用いて位相空間探索を統一するコンセンサスベースのフレームワークを提案する。
我々は、サロゲート近似と残留エンハンスサンプリングの両方を併用するミニマックスとして問題を定式化する。
開発されたフレームワークは、高次元エネルギーランドスケープを持つ複雑なシステムのための効率的なサロゲート構築のための一般的なものである。
- 参考スコア（独自算出の注目度）: 6.177038245239759
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a consensus-based framework that unifies phase space exploration with posterior-residual-based adaptive sampling for surrogate construction in high-dimensional energy landscapes. Unlike standard approximation tasks where sampling points can be freely queried, physical systems with complex energy landscapes such as molecular dynamics (MD) do not have direct access to arbitrary sampling regions due to the physical constraints and energy barriers; the surrogate construction further relies on the dynamical exploration of phase space, posing a significant numerical challenge. We formulate the problem as a minimax optimization that jointly adapts both the surrogate approximation and residual-enhanced sampling. The construction of free energy surfaces (FESs) for high-dimensional collective variables (CVs) of MD systems is used as a motivating example to illustrate the essential idea. Specifically, the maximization step establishes a stochastic interacting particle system to impose adaptive sampling through both exploitation of a Laplace approximation of the max-residual region and exploration of uncharted phase space via temperature control. The minimization step updates the FES surrogate with the new sample set. Numerical results demonstrate the effectiveness of the present approach for biomolecular systems with up to 30 CVs. While we focus on the FES construction, the developed framework is general for efficient surrogate construction for complex systems with high-dimensional energy landscapes.
- Abstract（参考訳）: 高次元エネルギー景観におけるサロゲート構築のための残差適応サンプリングを用いて位相空間探索を統一するコンセンサスベースのフレームワークを提案する。
サンプリングポイントを自由にクエリできる標準的な近似タスクとは異なり、分子動力学(MD)のような複雑なエネルギーランドスケープを持つ物理システムは、物理的制約やエネルギー障壁のために任意のサンプリング領域に直接アクセスすることができない。
我々はこの問題を,サロゲート近似と残像サンプリングを併用した最小値最適化として定式化する。
MDシステムの高次元集合変数(CV)に対する自由エネルギー曲面(FES)の構築は、本質的なアイデアを説明する動機となる例である。
具体的には、最大化ステップは、最大残差領域のラプラス近似の活用と温度制御による未チャート位相空間の探索の両方を通じて適応サンプリングを行う確率的相互作用粒子系を確立する。
最小化ステップは、新しいサンプルセットでFESサロゲートを更新する。
数値実験により, 最大30個のCVを有する生体分子系に対する本手法の有効性が示された。
FES構築に焦点をあてる一方で、開発フレームワークは高次元エネルギー景観を持つ複雑なシステムの効率的なサロゲート構築のために一般化されている。
関連論文リスト
- Taming Flow Matching with Unbalanced Optimal Transport into Fast Pansharpening [10.23957420290553]
本稿では,一段階の高品位パンシャーピングを実現するための最適輸送フローマッチングフレームワークを提案する。
OTFMフレームワークは、パンシャーピング制約の厳格な遵守を維持しつつ、シミュレーション不要なトレーニングとシングルステップ推論を可能にする。
論文 参考訳（メタデータ） (2025-03-19T08:10:49Z) - Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。
連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-12-23T21:27:19Z) - Learning diffusion at lightspeed [4.154846138501937]
観測データから拡散項を学習する既存のモデルは、複雑な二段階最適化問題に依存する。
既存のアーキテクチャの複雑さを回避できる新しいシンプルなモデル JKOnet* を提案する。
JKOnet*は単純な二次的損失を最小限に抑え、サンプル効率、計算複雑性、精度で他のベースラインを上回っている。
論文 参考訳（メタデータ） (2024-06-18T13:44:07Z) - Enhanced sampling of robust molecular datasets with uncertainty-based
collective variables [0.0]
化学関連データポイントの取得を導くために,不確実性を集合変数(CV)として活用する手法を提案する。
このアプローチでは、1つのモデルからのガウス混合モデルに基づく不確実性測定を、偏りのある分子動力学シミュレーションのためのCVとして採用する。
論文 参考訳（メタデータ） (2024-02-06T06:42:51Z) - Energy-Guided Continuous Entropic Barycenter Estimation for General Costs [95.33926437521046]
任意のOTコスト関数に対して連続的エントロピーOT(EOT)バリセンタを近似する新しいアルゴリズムを提案する。
本手法は、弱いOTに基づくEOT問題の二重再構成に基づいている。
論文 参考訳（メタデータ） (2023-10-02T11:24:36Z) - Federated Compositional Deep AUC Maximization [58.25078060952361]
本研究では,曲線(AUC)のスコアを直接最適化することにより,不均衡なデータに対する新しいフェデレート学習法を開発した。
私たちの知る限りでは、このような好ましい理論的な結果を達成した最初の作品である。
論文 参考訳（メタデータ） (2023-04-20T05:49:41Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Distance-based Hyperspherical Classification for Multi-source Open-Set
Domain Adaptation [34.97934677830779]
クローズドワールドのシナリオで訓練されたビジョンシステムは、新しい環境条件が提示されると必然的に失敗する。
オープンワールド学習への道のりは、長年にわたる研究課題である。
本研究ではHyMOSを導入することで,マルチソースなOpen-Setドメイン適応を実現する。
論文 参考訳（メタデータ） (2021-07-05T14:56:57Z) - Decentralized Personalized Federated Learning for Min-Max Problems [79.61785798152529]
本稿では,より広い範囲の最適化問題を含むサドル点問題に対して,PFLを初めて検討した。
この問題に対処するための新しいアルゴリズムを提案し、滑らかな(強く)凸-(強く)凹点問題を理論的に解析する。
両線形問題に対する数値実験と, 対向雑音を有するニューラルネットワークは, 提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-06-14T10:36:25Z) - Achieving fast high-fidelity optimal control of many-body quantum
dynamics [0.0]
本稿では, 難解な多体問題に適用することで, 最近の高精度最適制御手法の有効性を実証する。
我々は, プロセスの最小期間推定値を用いて, 0.99-0.9999の範囲の忠実度を観測した。
全体として、この比較は理想的なオープンループ設定における多体システムに対しても重要な方法論的改善を示唆している。
論文 参考訳（メタデータ） (2020-08-13T18:30:24Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。