論文の概要: Active learning of Boltzmann samplers and potential energies with
quantum mechanical accuracy
- arxiv url: http://arxiv.org/abs/2401.16487v1
- Date: Mon, 29 Jan 2024 19:01:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 17:30:29.760292
- Title: Active learning of Boltzmann samplers and potential energies with
quantum mechanical accuracy
- Title(参考訳): ボルツマン・サンプラーの能動学習と量子力学的精度によるポテンシャルエネルギー
- Authors: Ana Molina-Taborda, Pilar Cossio, Olga Lopez-Acevedo, Marylou Gabri\'e
- Abstract要約: 我々は,強化サンプリングと深層生成モデルを組み合わせるアプローチと,機械学習ポテンシャルの能動的学習を併用したアプローチを開発する。
極小銀ナノクラスターの異性化の研究に本法を適用した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extracting consistent statistics between relevant free-energy minima of a
molecular system is essential for physics, chemistry and biology. Molecular
dynamics (MD) simulations can aid in this task but are computationally
expensive, especially for systems that require quantum accuracy. To overcome
this challenge, we develop an approach combining enhanced sampling with deep
generative models and active learning of a machine learning potential (MLP). We
introduce an adaptive Markov chain Monte Carlo framework that enables the
training of one Normalizing Flow (NF) and one MLP per state. We simulate
several Markov chains in parallel until they reach convergence, sampling the
Boltzmann distribution with an efficient use of energy evaluations. At each
iteration, we compute the energy of a subset of the NF-generated configurations
using Density Functional Theory (DFT), we predict the remaining configuration's
energy with the MLP and actively train the MLP using the DFT-computed energies.
Leveraging the trained NF and MLP models, we can compute thermodynamic
observables such as free-energy differences or optical spectra. We apply this
method to study the isomerization of an ultrasmall silver nanocluster,
belonging to a set of systems with diverse applications in the fields of
medicine and catalysis.
- Abstract(参考訳): 分子系の関連する自由エネルギーミニマ間の一貫した統計の抽出は、物理学、化学、生物学に必須である。
分子動力学(MD)シミュレーションはこのタスクに役立つが、特に量子精度を必要とするシステムでは計算コストが高い。
この課題を克服するために、深層生成モデルによる強化サンプリングと機械学習ポテンシャル(MLP)のアクティブラーニングを組み合わせたアプローチを開発する。
適応型マルコフ連鎖モンテカルロフレームワークを導入し,1つの正規化フロー(NF)と1つの状態当たりのMLPのトレーニングを可能にする。
いくつかのマルコフ連鎖が収束するまで並列にシミュレートし、ボルツマン分布を効率よくエネルギー評価を用いてサンプリングする。
各イテレーションにおいて、密度汎関数理論(DFT)を用いてNF生成構成のサブセットのエネルギーを計算し、残りの構成のエネルギーをMLPで予測し、DFT計算エネルギーを用いてMLPを積極的に訓練する。
訓練されたNFモデルとMLPモデルを利用することで、自由エネルギー差や光学スペクトルなどの熱力学的観測値を計算することができる。
本手法は,超小型銀ナノクラスターの異性化研究に応用し,医療・触媒分野における多様な応用系に属する。
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) - Equivariant flow matching [0.9208007322096533]
等変連続正規化流(CNF)の新しい訓練目標である等変フローマッチングを導入する。
等変流マッチングは、標的エネルギーの物理対称性を利用して、同変CNFの効率的でシミュレーションなしな訓練を行う。
この結果から,同変フローマッチングの対象は,従来の手法に比べて,より短い積分経路,サンプリング効率の向上,スケーラビリティの向上を図っている。
論文 参考訳(メタデータ) (2023-06-26T19:40:10Z) - 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) - Training Multilayer Perceptrons by Sampling with Quantum Annealers [38.046974698940545]
視覚応用のための多くのニューラルネットワークはフィードフォワード構造である。
バックプロパゲーションは現在、教師あり学習のための訓練に最も効果的なテクニックである。
論文 参考訳(メタデータ) (2023-03-22T07:40:01Z) - Quantum Car-Parrinello Molecular Dynamics: A Cost-Efficient Molecular
Simulation Method on Near-Term Quantum Computers [0.0]
短期量子コンピュータ,Quantum Car-Parrinello molecular dynamics (QCPMD) における有限温度分子動力学のコスト削減手法を提案する。
可変量子固有解法 (VQE) を用いて分子動力学と比較して, 大幅なコスト削減を実現する。
論文 参考訳(メタデータ) (2022-12-22T17:59:31Z) - 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) - NNP/MM: Accelerating molecular dynamics simulations with machine
learning potentials and molecular mechanic [38.50309739333058]
ニューラルネットワーク電位(NNP)と分子力学(MM)を組み合わせたハイブリッド手法(NNP/MM)の最適化実装を提案する。
このアプローチは、小さな分子のようなシステムの一部をNNPを用いてモデル化し、残りのシステムにMMを用いて効率を向上する。
これにより, シミュレーション速度を5倍に向上し, 複合体毎の1マイクロ秒の同時サンプリングを実現し, この種のシミュレーションで報告された最長のシミュレーションとなった。
論文 参考訳(メタデータ) (2022-01-20T10:57:20Z) - Quantum-Classical Hybrid Algorithm for the Simulation of All-Electron
Correlation [58.720142291102135]
本稿では、分子の全電子エネルギーと古典的コンピュータ上の特性を計算できる新しいハイブリッド古典的アルゴリズムを提案する。
本稿では,現在利用可能な量子コンピュータ上で,化学的に関連性のある結果と精度を実現する量子古典ハイブリッドアルゴリズムの能力を実証する。
論文 参考訳(メタデータ) (2021-06-22T18:00:00Z) - 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) - QuTiP-BoFiN: A bosonic and fermionic numerical
hierarchical-equations-of-motion library with applications in
light-harvesting, quantum control, and single-molecule electronics [51.15339237964982]
階層運動方程式 (HEOM) は力学を解くための強力な正確な数値的手法である。
固体物理学、光学、単分子電子工学、生物物理学の問題に拡張され応用されている。
ボソニック環境とフェルミオン環境の両方にHEOMを実装した強力なQuTiPプラットフォームと統合したPythonの数値ライブラリを提案する。
論文 参考訳(メタデータ) (2020-10-21T07:54:56Z) - Microcanonical and finite temperature ab initio molecular dynamics
simulations on quantum computers [0.0]
Ab initio molecular dynamics (AIMD) は、分子および凝縮物質系の特性を予測する強力なツールである。
エネルギーと力の期待値の測定に関連する統計的ノイズを緩和するための解決策を提供する。
また, 常温, 常温, 動的シミュレーションのためのLangevin dynamicsアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-08-18T20:24:27Z)
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。