論文の概要: Conditional Normalizing Flows for Active Learning of Coarse-Grained Molecular Representations
- arxiv url: http://arxiv.org/abs/2402.01195v2
- Date: Fri, 24 May 2024 12:13:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 23:16:57.558985
- Title: Conditional Normalizing Flows for Active Learning of Coarse-Grained Molecular Representations
- Title（参考訳）: 粗粒分子表現の能動学習のための条件正規化フロー
- Authors: Henrik Schopmans, Pascal Friederich,
- Abstract要約: フローの正規化のような生成機械学習手法は、サンプルなしでボルツマン分布を直接学習するために使われてきた。
本研究では,この問題を細粒度と粗粒度という2つのレベルに分けることで,この問題に対処する。
構成空間を探索するために,フローを更新し,必要時にのみ全原子ポテンシャルエネルギー評価を行うことのできる,能動学習による粗粒度シミュレーションを用いる。
- 参考スコア（独自算出の注目度）: 0.6906005491572401
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Efficient sampling of the Boltzmann distribution of molecular systems is a long-standing challenge. Recently, instead of generating long molecular dynamics simulations, generative machine learning methods such as normalizing flows have been used to learn the Boltzmann distribution directly, without samples. However, this approach is susceptible to mode collapse and thus often does not explore the full configurational space. In this work, we address this challenge by separating the problem into two levels, the fine-grained and coarse-grained degrees of freedom. A normalizing flow conditioned on the coarse-grained space yields a probabilistic connection between the two levels. To explore the configurational space, we employ coarse-grained simulations with active learning which allows us to update the flow and make all-atom potential energy evaluations only when necessary. Using alanine dipeptide as an example, we show that our methods obtain a speedup to molecular dynamics simulations of approximately 15.9 to 216.2 compared to the speedup of 4.5 of the current state-of-the-art machine learning approach.
- Abstract（参考訳）: 分子系のボルツマン分布の効率的なサンプリングは長年の課題である。
近年、長い分子動力学シミュレーションを生成する代わりに、サンプルなしでボルツマン分布を直接学習するために、フローの正規化のような生成機械学習手法が用いられている。
しかし、このアプローチはモード崩壊の影響を受けやすいため、完全な構成空間を探索しないことが多い。
本研究では,この問題を細粒度と粗粒度という2つのレベルに分けることで,この問題に対処する。
粗粒度空間上で条件付けられた正規化フローは、2つのレベルの間の確率的接続をもたらす。
構成空間を探索するために,フローを更新し,必要時にのみ全原子ポテンシャルエネルギー評価を行うことのできる,能動学習による粗粒度シミュレーションを用いる。
アラニンジペプチドを例として,現在の最先端機械学習手法の4.5倍の高速化と比較して,分子動力学シミュレーションの約15.9～216.2の高速化が得られることを示す。
関連論文リスト
- Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。
適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
論文 参考訳（メタデータ） (2024-11-01T12:59:25Z) - Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。
提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。
この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
論文 参考訳（メタデータ） (2024-06-17T10:21:01Z) - Transition Path Sampling with Boltzmann Generator-based MCMC Moves [49.69940954060636]
サンプル遷移経路への現在のアプローチはマルコフ連鎖モンテカルロを用いており、新しい経路を見つけるために時間集約的な分子動力学シミュレーションに依存している。
我々の手法は、分子のボルツマン分布からガウスへ写像する正規化フローの潜在空間で機能し、分子シミュレーションを必要とせずに新しい経路を提案する。
論文 参考訳（メタデータ） (2023-12-08T20:05:33Z) - DiffuSeq-v2: Bridging Discrete and Continuous Text Spaces for
Accelerated Seq2Seq Diffusion Models [58.450152413700586]
ガウス空間に基づく離散突然変異を再構成する学習において拡散モデルを容易にする軟吸収状態を導入する。
我々は、サンプリングプロセスの高速化のために、連続空間内で最先端のODEソルバを用いている。
提案手法は, トレーニング収束率を4倍に向上させ, 類似品質のサンプルを800倍高速に生成する。
論文 参考訳（メタデータ） (2023-10-09T15:29:10Z) - Mixup-Augmented Meta-Learning for Sample-Efficient Fine-Tuning of
Protein Simulators [29.22292758901411]
分子動力学タスクにソフトプロンプトに基づく学習手法を適用する。
本フレームワークは,ドメイン内データの精度を向上し,未知および分布外サンプルの強力な一般化能力を示す。
論文 参考訳（メタデータ） (2023-08-29T08:29:08Z) - Detecting and Mitigating Mode-Collapse for Flow-based Sampling of
Lattice Field Theories [6.222204646855336]
格子場理論の文脈における正規化流れのモード崩壊の結果について検討する。
本稿では,モード崩壊の度合いを定量化し,その結果の偏りを導出する指標を提案する。
論文 参考訳（メタデータ） (2023-02-27T19:00:22Z) - Timewarp: Transferable Acceleration of Molecular Dynamics by Learning
Time-Coarsened Dynamics [24.13304926093212]
我々は,マルコフ連鎖モンテカルロ法において,正規化フローを提案分布として用いる改良されたサンプリング手法であるTimewarpを提案する。
フローはMDトラジェクトリ上でオフラインでトレーニングされ,105～106:textrmfs$の分子動力学をシミュレートして,大きなステップの時間化を学ぶ。
論文 参考訳（メタデータ） (2023-02-02T15:48:39Z) - Rigid Body Flows for Sampling Molecular Crystal Structures [4.368185344922342]
三次元空間における複数物体の位置と向きをモデル化するための新しいタイプの正規化フローを提案する。
まず、単位四元数群上の滑らかで表現力のある流れを定義し、剛体の連続的な回転運動を捉える。
TIP4P水モデルでは,外部磁場における四面体系の多モード密度と氷XI相の2つの分子例に対してボルツマン発電機を訓練して評価を行った。
論文 参考訳（メタデータ） (2023-01-26T19:07:40Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - A Score-based Geometric Model for Molecular Dynamics Simulations [33.158796937777886]
分子配座のログ密度の勾配を推定する新しいモデルScoreMDを提案する。
複数のアーキテクチャの改善により、MD17とC7O2H10の異性体において最先端のベースラインよりも優れています。
この研究は、新しい物質の加速と薬物発見に関する新たな洞察を提供する。
論文 参考訳（メタデータ） (2022-04-19T05:13:46Z) - Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。
本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。
本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文 参考訳（メタデータ） (2021-02-04T02:21:08Z)
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。