論文の概要: Uncertainty-biased molecular dynamics for learning uniformly accurate
interatomic potentials
- arxiv url: http://arxiv.org/abs/2312.01416v1
- Date: Sun, 3 Dec 2023 14:39:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 17:18:03.149803
- Title: Uncertainty-biased molecular dynamics for learning uniformly accurate
interatomic potentials
- Title(参考訳): 一様精度原子間ポテンシャル学習のための不確かさバイアス分子動力学
- Authors: Viktor Zaverkin, David Holzm\"uller, Henrik Christiansen, Federico
Errica, Francesco Alesiani, Makoto Takamoto, Mathias Niepert, and Johannes
K\"astner
- Abstract要約: アクティブラーニング(AL)は、バイアスドまたはアンバイアスド分子動力学(MD)シミュレーションを用いて候補プールを生成する。
提案する不確実性駆動型AL手法を用いて,2つのベンチマークシステムのための機械学習型原子間ポテンシャル(MLIP)を開発する。
提案したデータ生成法で訓練されたMLIPは、両方の原子系の関連する構成空間をより正確に表現する。
- 参考スコア(独自算出の注目度): 20.574068788623798
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Efficiently creating a concise but comprehensive data set for training
machine-learned interatomic potentials (MLIPs) is an under-explored problem.
Active learning (AL), which uses either biased or unbiased molecular dynamics
(MD) simulations to generate candidate pools, aims to address this objective.
Existing biased and unbiased MD simulations, however, are prone to miss either
rare events or extrapolative regions -- areas of the configurational space
where unreliable predictions are made. Simultaneously exploring both regions is
necessary for developing uniformly accurate MLIPs. In this work, we demonstrate
that MD simulations, when biased by the MLIP's energy uncertainty, effectively
capture extrapolative regions and rare events without the need to know
\textit{a priori} the system's transition temperatures and pressures.
Exploiting automatic differentiation, we enhance bias-forces-driven MD
simulations by introducing the concept of bias stress. We also employ
calibrated ensemble-free uncertainties derived from sketched gradient features
to yield MLIPs with similar or better accuracy than ensemble-based uncertainty
methods at a lower computational cost. We use the proposed uncertainty-driven
AL approach to develop MLIPs for two benchmark systems: alanine dipeptide and
MIL-53(Al). Compared to MLIPs trained with conventional MD simulations, MLIPs
trained with the proposed data-generation method more accurately represent the
relevant configurational space for both atomic systems.
- Abstract(参考訳): 機械学習型原子間ポテンシャル(MLIP)を訓練するための簡潔で包括的なデータセットを効率的に作成することは、未探索の問題である。
バイアスドまたは偏りのない分子動力学(md)シミュレーションを使用して候補プールを生成するアクティブラーニング(al)は、この目標に対処しようとしている。
しかし、既存のバイアスとバイアスのないmdシミュレーションは、信頼性の低い予測が行われる構成空間の領域であるレアイベントまたは外挿領域を見逃しがちである。
同時に両方の地域を探索することは、一様精度のMLIPを開発するために必要である。
本研究では,MLIPのエネルギー不確実性に偏らされたMDシミュレーションが,システムの遷移温度と圧力を知ることなく,外挿領域や稀な事象を効果的に捕捉することを示した。
自動微分を活用し,バイアス応力の概念を導入することにより,バイアス・フォース駆動型mdシミュレーションを強化する。
また,計算コストの低いアンサンブルベース不確実性法と比較して,mlipの精度が同等あるいは優れたmlipが得られるように,スケッチ勾配特徴から得られるアンサンブルフリーの不確かさのキャリブレーションを適用した。
提案する不確実性駆動型ALアプローチを用いて、アラニンジペプチドとMIL-53(Al)の2つのベンチマークシステムのためのMLIPを開発する。
従来のMDシミュレーションで訓練されたMLIPと比較して、提案したデータ生成法で訓練されたMLIPは、両方の原子系の関連する構成空間をより正確に表現する。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学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。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、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) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field
and Online Inference [50.91823345296243]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳(メタデータ) (2023-12-10T15:22:30Z) - Ensemble models outperform single model uncertainties and predictions
for operator-learning of hypersonic flows [43.148818844265236]
限られた高忠実度データに基づく科学機械学習(SciML)モデルのトレーニングは、これまで見たことのない状況に対する行動の迅速な予測に1つのアプローチを提供する。
高忠実度データは、探索されていない入力空間におけるSciMLモデルのすべての出力を検証するために、それ自体が限られた量である。
我々は3つの異なる不確実性メカニズムを用いてDeepONetを拡張した。
論文 参考訳(メタデータ) (2023-10-31T18:07:29Z) - Forces are not Enough: Benchmark and Critical Evaluation for Machine
Learning Force Fields with Molecular Simulations [5.138982355658199]
分子動力学(MD)シミュレーション技術は様々な自然科学応用に広く用いられている。
我々は、最先端(SOTA)ML FFモデルの集合をベンチマークし、特に、一般的にベンチマークされる力の精度が、関連するシミュレーション指標とうまく一致していないことを示す。
論文 参考訳(メタデータ) (2022-10-13T17:59:03Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - 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) - A data-driven peridynamic continuum model for upscaling molecular
dynamics [3.1196544696082613]
分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。
我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。
このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
論文 参考訳(メタデータ) (2021-08-04T07:07:47Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-09-29T21:17:16Z) - Automated discovery of a robust interatomic potential for aluminum [4.6028828826414925]
機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。
アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。
アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証
転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
論文 参考訳(メタデータ) (2020-03-10T19:06:32Z)
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。