論文の概要: Considerations in the use of ML interaction potentials for free energy calculations
- arxiv url: http://arxiv.org/abs/2403.13952v1
- Date: Wed, 20 Mar 2024 19:49:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-22 17:59:26.217957
- Title: Considerations in the use of ML interaction potentials for free energy calculations
- Title(参考訳): 自由エネルギー計算におけるML相互作用ポテンシャルの利用に関する考察
- Authors: Orlando A. Mendible, Jonathan K. Whitmer, Yamil J. Colón,
- Abstract要約: 機械学習ポテンシャル(MLP)は、分子のエネルギーと自由エネルギーのランドスケープを正確にモデル化する能力を提供する。
トレーニングデータ中の集合変数(CV)の分布が,システムの自由エネルギー面(FES)を決定する際の精度に与える影響について検討した。
ブタンの発見から,キーFES領域のトレーニングデータカバレッジにより,CV分布にかかわらずモデルの精度が保証されることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning potentials (MLPs) offer the potential to accurately model the energy and free energy landscapes of molecules with the precision of quantum mechanics and an efficiency similar to classical simulations. This research focuses on using equivariant graph neural networks MLPs due to their proven effectiveness in modeling equilibrium molecular trajectories. A key issue addressed is the capability of MLPs to accurately predict free energies and transition states by considering both the energy and the diversity of molecular configurations. We examined how the distribution of collective variables (CVs) in the training data affects MLP accuracy in determining the free energy surface (FES) of systems, using Metadynamics simulations for butane and alanine dipeptide (ADP). The study involved training forty-three MLPs, half based on classical molecular dynamics data and the rest on ab initio computed energies. The MLPs were trained using different distributions that aim to replicate hypothetical scenarios of sampled CVs obtained if the underlying FES of the system was unknown. Findings for butane revealed that training data coverage of key FES regions ensures model accuracy regardless of CV distribution. However, missing significant FES regions led to correct potential energy predictions but failed free energy reconstruction. For ADP, models trained on classical dynamics data were notably less accurate, while ab initio-based MLPs predicted potential energy well but faltered on free energy predictions. These results emphasize the challenge of assembling an all-encompassing training set for accurate FES prediction and highlight the importance of understanding the FES in preparing training data. The study points out the limitations of MLPs in free energy calculations, stressing the need for comprehensive data that encompasses the system's full FES for effective model training.
- Abstract(参考訳): 機械学習ポテンシャル(MLP)は、量子力学の精度と古典的なシミュレーションに類似した効率で、分子のエネルギーと自由エネルギーのランドスケープを正確にモデル化する能力を提供する。
本研究は、平衡分子軌道のモデル化における有効性が証明されたため、同変グラフニューラルネットワーク MLP の使用に焦点を当てる。
主要な問題は、分子配置のエネルギーと多様性の両方を考慮して、自由エネルギーと遷移状態を正確に予測できるMPPの能力である。
ブタおよびアラニンジペプチド(ADP)のメタダイナミックスシミュレーションを用いて,訓練データ中の集合変数(CV)の分布がシステムの自由エネルギー面(FES)を決定する際のMLP精度に与える影響を検討した。
この研究は43個のMLPをトレーニングし、半分は古典的な分子動力学データに基づいて、残りはab initio計算エネルギーで行った。
MLPは、システムの基盤となるFESが不明な場合に得られたサンプルCVの仮説シナリオを再現するための異なる分布を用いて訓練された。
ブタンの発見から,キーFES領域のトレーニングデータカバレッジにより,CV分布にかかわらずモデルの精度が保証されることがわかった。
しかし、重要なFES領域の欠如はエネルギー予測の正しさに繋がったが、自由エネルギーの再構築には失敗した。
ADPでは、古典力学データに基づいてトレーニングされたモデルは明らかに正確ではなく、アブイニシオベースのMLPはポテンシャルエネルギーを予測したが、自由エネルギー予測には干渉しなかった。
これらの結果は、正確なFES予測のために全アクセストレーニングセットを組み立てることの課題を強調し、トレーニングデータの作成においてFESを理解することの重要性を強調している。
この研究は、自由エネルギー計算におけるMLPの限界を指摘し、効果的なモデルトレーニングのためにシステムの完全なFESを含む包括的なデータの必要性を強調した。
関連論文リスト
- CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳(メタデータ) (2024-05-03T15:54:50Z) - Self-Consistency Training for Hamiltonian Prediction [74.84850523400873]
ハミルトン予測は自己整合性原理を持ち,ラベル付きデータを必要としない正確なトレーニング手法を提案する。
データスカースとアウト・オブ・ディストリビューションのシナリオにおけるより良い一般化と、アモート化によるより良い効率を実証的に実証する。
論文 参考訳(メタデータ) (2024-03-14T16:52:57Z) - Enhanced sampling of robust molecular datasets with uncertainty-based
collective variables [0.0]
化学関連データポイントの取得を導くために,不確実性を集合変数(CV)として活用する手法を提案する。
このアプローチでは、1つのモデルからのガウス混合モデルに基づく不確実性測定を、偏りのある分子動力学シミュレーションのためのCVとして採用する。
論文 参考訳(メタデータ) (2024-02-06T06:42:51Z) - Active learning of Boltzmann samplers and potential energies with quantum mechanical accuracy [1.7633275579210346]
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。
本手法を用いて, 医療・生物学分野における多種多様なシステム群に属する超小型の銀ナノクラスターの異性化について検討する。
論文 参考訳(メタデータ) (2024-01-29T19:01:31Z) - Uncertainty-biased molecular dynamics for learning uniformly accurate
interatomic potentials [20.574068788623798]
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。
論文 参考訳(メタデータ) (2023-12-03T14:39:14Z) - 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) - Lifelong Machine Learning Potentials [0.0]
本稿では, 元素中心関数 (eeACSF) を導入し, 構造特性と周期表からの元素情報を組み合わせた。
我々は、新しいデータの連続ストリーム上で自律的およびオンザフライトレーニングを可能にするために、継続的な学習戦略を適用します。
論文 参考訳(メタデータ) (2023-03-10T13:38:36Z) - $\mathcal{F}$-EBM: Energy Based Learning of Functional Data [1.0896567381206714]
エネルギーベースモデル (EBMs) は有限次元空間上の密度をモデル化するための非常に効果的なアプローチであることが証明されている。
有限個の点で評価された関数サンプルから関数の分布を学習できる新しいEMMのクラスを提案する。
論文 参考訳(メタデータ) (2022-02-04T01:01:50Z) - Pseudo-Spherical Contrastive Divergence [119.28384561517292]
エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。
PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
論文 参考訳(メタデータ) (2021-11-01T09:17:15Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - Training Deep Energy-Based Models with f-Divergence Minimization [113.97274898282343]
深部エネルギーベースモデル(EBM)は分布パラメトリゼーションにおいて非常に柔軟であるが、計算的に困難である。
所望のf偏差を用いてEMMを訓練するための、f-EBMと呼ばれる一般的な変分フレームワークを提案する。
実験の結果,F-EBMは対照的なばらつきよりも優れており,KL以外のf-divergencesを用いたEBMの訓練の利点も示された。
論文 参考訳(メタデータ) (2020-03-06T23:11:13Z)
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。