Fugu-MT 論文翻訳(概要): Accelerated Sampling of Rare Events using a Neural Network Bias Potential

論文の概要: Accelerated Sampling of Rare Events using a Neural Network Bias Potential

arxiv url: http://arxiv.org/abs/2401.06936v1
Date: Sat, 13 Jan 2024 00:11:02 GMT
ステータス: 処理完了
システム内更新日: 2024-01-17 20:44:42.576821
Title: Accelerated Sampling of Rare Events using a Neural Network Bias Potential
Title（参考訳）: ニューラルネットワークバイアスポテンシャルを用いた希少事象の高速化サンプリング
Authors: Xinru Hua, Rasool Ahmad, Jose Blanchet, Wei Cai
Abstract要約: 計算物理学と物質科学では、原子スケールで発生する稀な事象の効率的なサンプリングが重要である。分子動力学やモンテカルロのような伝統的なシミュレーション手法は、これらの稀な事象の時間スケールをブルート力で捉えるのに非効率であることがしばしば証明される。本稿では,これらの稀な事象のサンプリングを促進するために,重大サンプリングと深層ニューラルネットワーク(DNN)を組み合わせた実践的アプローチを提案する。
参考スコア（独自算出の注目度）: 2.7297500857637216
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the field of computational physics and material science, the efficient sampling of rare events occurring at atomic scale is crucial. It aids in understanding mechanisms behind a wide range of important phenomena, including protein folding, conformal changes, chemical reactions and materials diffusion and deformation. Traditional simulation methods, such as Molecular Dynamics and Monte Carlo, often prove inefficient in capturing the timescale of these rare events by brute force. In this paper, we introduce a practical approach by combining the idea of importance sampling with deep neural networks (DNNs) that enhance the sampling of these rare events. In particular, we approximate the variance-free bias potential function with DNNs which is trained to maximize the probability of rare event transition under the importance potential function. This method is easily scalable to high-dimensional problems and provides robust statistical guarantees on the accuracy of the estimated probability of rare event transition. Furthermore, our algorithm can actively generate and learn from any successful samples, which is a novel improvement over existing methods. Using a 2D system as a test bed, we provide comparisons between results obtained from different training strategies, traditional Monte Carlo sampling and numerically solved optimal bias potential function under different temperatures. Our numerical results demonstrate the efficacy of the DNN-based importance sampling of rare events.
Abstract（参考訳）: 計算物理学および物質科学の分野では、原子スケールで発生する希少事象の効率的なサンプリングが重要である。タンパク質の折りたたみ、構造変化、化学反応、物質拡散と変形など、幅広い重要な現象の背後にある理解メカニズムを支援する。分子動力学やモンテカルロのような伝統的なシミュレーション手法は、これらの稀な事象の時間スケールをブルート力で捉えるのに非効率であることがしばしば証明される。本稿では,これらの稀な事象のサンプリングを促進するために,重要サンプリングと深層ニューラルネットワーク(DNN)を組み合わせた実践的アプローチを提案する。特に,DNNの偏差のないバイアスポテンシャル関数を近似し,重要電位関数の下での希少事象遷移の確率を最大化するよう訓練する。この手法は高次元問題に容易に拡張でき、稀な事象遷移の推定確率の正確性に関するロバストな統計的保証を提供する。さらに,本アルゴリズムは,既存の手法よりも新しい改良点である,任意のサンプルを積極的に生成し,学習することができる。実験ベッドとして2次元システムを用いて, 異なるトレーニング戦略, 従来のモンテカルロサンプリング, および異なる温度下での最適バイアスポテンシャル関数の比較を行った。数値実験の結果,dnnによる希少事象のサンプリングの有効性が示された。

関連論文リスト

Active Learning with Fully Bayesian Neural Networks for Discontinuous and Nonstationary Data [0.0]
我々は,「小さなデータ」体制下でのアクティブな学習タスクに対して,完全ベイズニューラルネットワーク(FBNN)を導入する。 FBNNは信頼性の高い予測分布を提供し、アクティブな学習環境における不確実性の下で情報的意思決定に不可欠である。そこで我々は,FBNNの「小型データ」システムにおけるアクティブな学習課題に対するNo-U-Turn Samplerを用いて,FBNNの適合性と性能を評価する。
論文参考訳（メタデータ） (2024-05-16T05:20:47Z)
ELUQuant: Event-Level Uncertainty Quantification in Deep Inelastic Scattering [0.0]
物理事象レベルでの詳細な不確実性定量化(UQ)のための流れを近似した物理インフォームドベイズニューラルネットワーク(BNN)を提案する。 Deep Inelastic Scattering (DIS) イベントに適用すると、我々のモデルはキネティック変数 $x$, $Q2$, $y$ を効果的に抽出する。根底にある不確実性に関するこの詳細な説明は、特にイベントフィルタリングのようなタスクにおいて、意思決定には重要でないことを証明している。
論文参考訳（メタデータ） (2023-10-04T15:50:05Z)
Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文参考訳（メタデータ） (2023-06-09T18:40:55Z)
Quantum Generative Adversarial Networks For Anomaly Detection In High Energy Physics [0.0]
異常事象を識別する量子生成逆数ネットワークを開発した。 SMデータから背景分布を学習し、学習した背景分布に与えられた事象が特有であるか否かを判定する。 10倍のトレーニングデータサンプルを用いた量子生成技術は、グラビトン粒子とヒッグス粒子の検出において古典的手法に匹敵する精度が得られることが判明した。
論文参考訳（メタデータ） (2023-04-27T18:01:14Z)
Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文参考訳（メタデータ） (2023-02-10T08:05:19Z)
GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
論文参考訳（メタデータ） (2023-02-01T17:29:43Z)
Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文参考訳（メタデータ） (2022-12-12T15:06:32Z)
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)
Variational Neural Temporal Point Process [22.396329275957996]
時間的ポイントプロセスは、どのイベントが発生するか、いつ発生するかを予測するプロセスである。推論と生成ネットワークを導入し、潜伏変数の分布をトレーニングし、ディープニューラルネットワーク上の特性に対処する。我々は,これらのモデルが様々なイベントの表現を一般化できることを実証的に実証した。
論文参考訳（メタデータ） (2022-02-17T13:34:30Z)
Bayesian Neural Hawkes Process for Event Uncertainty Prediction [0.2148535041822524]
発生時刻を予測するモデルは、ソーシャルネットワーク、金融取引、ヘルスケア、人間の移動といった様々なアプリケーションにおいて重要な役割を果たす。最近の研究は、イベントタイムをモデル化するためのニューラルネットワークベースのポイントプロセスを導入し、イベントタイムの予測に最先端のパフォーマンスを提供することを示した。本稿では,ベイジアンモデルの不確実性モデリング能力とニューラルネットワークの一般化能力を利用する,新しい点過程モデルベイジアン・ニューラルホークス法を提案する。
論文参考訳（メタデータ） (2021-12-29T09:47:22Z)
A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。