論文の概要: Clustering Molecular Energy Landscapes by Adaptive Network Embedding
- arxiv url: http://arxiv.org/abs/2401.10972v1
- Date: Fri, 19 Jan 2024 17:12:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 18:43:11.112629
- Title: Clustering Molecular Energy Landscapes by Adaptive Network Embedding
- Title(参考訳): 適応型ネットワーク埋め込みによる分子エネルギー景観のクラスタリング
- Authors: Paula Mercurio and Di Liu
- Abstract要約: 分子構造のポテンシャルエネルギー景観をクラスタリングするためのデータ駆動型アプローチを提案する。
また、エネルギー景観の階層的なサンプリングのためのエントロピー感度適応スキームも組み込んだ。
Lennard-JonesクラスタとヒトDNA配列を通して、このフレームワークを実証する。
- 参考スコア(独自算出の注目度): 2.676713226382288
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In order to efficiently explore the chemical space of all possible small
molecules, a common approach is to compress the dimension of the system to
facilitate downstream machine learning tasks. Towards this end, we present a
data driven approach for clustering potential energy landscapes of molecular
structures by applying recently developed Network Embedding techniques, to
obtain latent variables defined through the embedding function. To scale up the
method, we also incorporate an entropy sensitive adaptive scheme for
hierarchical sampling of the energy landscape, based on Metadynamics and
Transition Path Theory. By taking into account the kinetic information implied
by a system's energy landscape, we are able to interpret dynamical node-node
relationships in reduced dimensions. We demonstrate the framework through
Lennard-Jones (LJ) clusters and a human DNA sequence.
- Abstract(参考訳): 可能な全ての小さな分子の化学空間を効率的に探索するために、システム次元を圧縮して下流の機械学習タスクを容易にする一般的なアプローチがある。
そこで本研究では,最近開発されたNetwork Embedding技術を用いて,分子構造のポテンシャルエネルギー景観をクラスタリングするためのデータ駆動型手法を提案する。
本手法をスケールアップするために,メタダイナミクスと遷移経路理論に基づくエネルギー景観の階層的サンプリングのためのエントロピーに敏感な適応スキームを組み込んだ。
システムのエネルギーランドスケープが示唆する動力学的情報を考慮することで,次元を縮小した動的ノードノード関係を解釈することができる。
Lennard-Jones (LJ) クラスタとヒトDNA配列を用いてその枠組みを実証する。
関連論文リスト
- HEroBM: a deep equivariant graph neural network for universal backmapping from coarse-grained to all-atom representations [0.0]
粗粒度(CG)技術は大規模システムをサンプリングするための貴重なツールとして登場した。
彼らは、調査プロセスの解読において大きな関連性を持つ可能性のある、原子論的な詳細を犠牲にしている。
推奨されるアプローチは、重要なCGコンホメーションを特定し、それらをバックマッピング法で処理し、原子座標を検索することである。
深部等変グラフニューラルネットワークと階層的アプローチを用いて高分解能バックマッピングを実現する,動的でスケーラブルなHEroBMを提案する。
論文 参考訳(メタデータ) (2024-04-25T13:54:31Z) - Inferring Relational Potentials in Interacting Systems [56.498417950856904]
このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。
NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。
別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
論文 参考訳(メタデータ) (2023-10-23T00:44:17Z) - Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image
Compression [63.56922682378755]
本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。
提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。
実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
論文 参考訳(メタデータ) (2023-08-17T01:34:51Z) - 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) - Data-Free Learning of Reduced-Order Kinematics [54.85157881323157]
画像が多様だが低エネルギーな構成のサブ多様体をパラメータ化する低次元マップを作成する。
サブスペースを低次元潜在ベクトルを全構成空間にマッピングするニューラルネットワークとして表現する。
この定式化は、非常に一般的な物理系において有効である。
論文 参考訳(メタデータ) (2023-05-05T20:53:36Z) - Information-Theoretic GAN Compression with Variational Energy-based
Model [36.77535324130402]
本稿では,情報理論に基づく知識蒸留手法を提案する。
提案アルゴリズムは,生成逆数ネットワークのモデル圧縮において,一貫した性能を実現する。
論文 参考訳(メタデータ) (2023-03-28T15:32:21Z) - Multitask machine learning of collective variables for enhanced sampling
of rare events [9.632096602077919]
データ駆動の機械学習アルゴリズムは、ニューラルネットワークで集合変数を学習するために考案される。
その結果生じる潜在空間は、効果的な低次元表現であることが示される。
このアプローチは5d m"uller brownモデル、5d 3-wellモデル、および真空中のアラニンジペプチドを含むモデルシステムにうまく適用できる。
論文 参考訳(メタデータ) (2020-12-07T18:40:18Z) - GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。
本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。
まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。
次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
論文 参考訳(メタデータ) (2020-07-06T11:09:40Z) - Principles underlying efficient exciton transport unveiled by
information-geometric analysis [0.1473281171535445]
フレンケルエキシトン輸送のオープン量子系モデルが'sloppy'として知られる数学的モデルのクラスに属することを示す。
ネットワークにおける励起エネルギーの微調整は、ネットワーク形状を最適化するよりも、一般的にはるかに重要である。
論文 参考訳(メタデータ) (2020-04-30T14:18:17Z) - 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) - Geometric deep learning for computational mechanics Part I: Anisotropic
Hyperelasticity [1.8606313462183062]
本稿では, 幾何学的深層学習を用いた最初の試みであり, ソボレフトレーニングには非ユークリッドマイクロ構造データが含まれており, 異方性超構造体機械学習モデルを有限変形範囲でトレーニングすることができる。
論文 参考訳(メタデータ) (2020-01-08T02:07:39Z)
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。