論文の概要: Computing Transition Pathways for the Study of Rare Events Using Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2404.05905v1
- Date: Mon, 8 Apr 2024 23:30:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 16:28:06.444116
- Title: Computing Transition Pathways for the Study of Rare Events Using Deep Reinforcement Learning
- Title(参考訳): 深層強化学習を用いた希少事象研究のための計算遷移経路
- Authors: Bo Lin, Yangzheng Zhong, Weiqing Ren,
- Abstract要約: 本研究では,特定の経路空間上でのコスト最小化問題としてパスフィニングタスクを定式化する。
コスト関数はFreidlin-Wentzellアクション関数から適用され、荒々しい潜在的な景観に対処できる。
この方法は、エピソードを生成するポリシーにシステムのポテンシャル力を取り入れ、システムの物理的特性と分子系の学習過程を組み合わせる。
- 参考スコア(独自算出の注目度): 4.092552518040045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the transition events between metastable states in complex systems is an important subject in the fields of computational physics, chemistry and biology. The transition pathway plays an important role in characterizing the mechanism underlying the transition, for example, in the study of conformational changes of bio-molecules. In fact, computing the transition pathway is a challenging task for complex and high-dimensional systems. In this work, we formulate the path-finding task as a cost minimization problem over a particular path space. The cost function is adapted from the Freidlin-Wentzell action functional so that it is able to deal with rough potential landscapes. The path-finding problem is then solved using a actor-critic method based on the deep deterministic policy gradient algorithm (DDPG). The method incorporates the potential force of the system in the policy for generating episodes and combines physical properties of the system with the learning process for molecular systems. The exploitation and exploration nature of reinforcement learning enables the method to efficiently sample the transition events and compute the globally optimal transition pathway. We illustrate the effectiveness of the proposed method using three benchmark systems including an extended Mueller system and the Lennard-Jones system of seven particles.
- Abstract(参考訳): 複雑系における準安定状態間の遷移現象を理解することは、計算物理学、化学、生物学の分野において重要な課題である。
転移経路は、例えば、生体分子のコンフォメーション変化の研究において、転移の基盤となるメカニズムを特徴づける上で重要な役割を果たしている。
実際、遷移経路の計算は複雑で高次元のシステムにとって難しい課題である。
本研究では,特定の経路空間上でのコスト最小化問題としてパスフィニングタスクを定式化する。
コスト関数はFreidlin-Wentzellアクション関数から適用され、荒々しい潜在的な景観に対処できる。
次に、ディープ決定性ポリシー勾配アルゴリズム(DDPG)に基づくアクター批判法を用いてパスフィニング問題を解く。
この方法は、エピソードを生成するポリシーにシステムのポテンシャル力を取り入れ、システムの物理的特性と分子系の学習過程を結合する。
強化学習の活用と探索の性質により、遷移事象を効率的にサンプリングし、大域的最適遷移経路を計算することができる。
提案手法の有効性を,拡張型ミュラーシステムと7粒子のレナード・ジョーンズシステムを含む3つのベンチマークシステムを用いて検討した。
関連論文リスト
- Deep Learning Method for Computing Committor Functions with Adaptive Sampling [4.599618895656792]
2つの新しい適応型サンプリング方式によるディープラーニング手法(I,II)を提案する。
この2つのスキームでは、学習したコミッタ関数からバイアスポテンシャルが構築された修正電位でデータを積極的に生成する。
我々は,サンプリング方式の利点を理論的に実証し,サンプリング方式IIのデータが遷移管に沿って均一に分散されていることを示す。
論文 参考訳(メタデータ) (2024-04-09T10:53:29Z) - MetaNO: How to Transfer Your Knowledge on Learning Hidden Physics [39.83408993820245]
本稿では,パラメータの異なる(未知の)PDE間で解演算子の知識を伝達する手法として,ニューラル演算子のメタラーニング手法を提案する。
我々のアプローチは、複数のPDE問題解決タスクに対する証明可能な普遍解演算子であり、基礎となるパラメータフィールドをニューラルネットワークモデルの第1層で捉えることができるという重要な理論的な観察である。
応用として,本手法が複雑で非線形な物理応答学習タスクを処理できると同時に,未確認タスクのサンプリング効率を大幅に改善できることを示す,PDEベースのデータセットと実世界の物質モデリング問題に対する提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-01-28T05:30:51Z) - Entropic Neural Optimal Transport via Diffusion Processes [105.34822201378763]
本稿では,連続確率分布間のエントロピー最適輸送(EOT)計画を計算するための新しいアルゴリズムを提案する。
提案アルゴリズムは,シュリンガーブリッジ問題(Schr"odinger Bridge problem)として知られるEOTの動的バージョンのサドル点再構成に基づく。
大規模EOTの従来の手法とは対照的に,我々のアルゴリズムはエンドツーエンドであり,単一の学習ステップで構成されている。
論文 参考訳(メタデータ) (2022-11-02T14:35:13Z) - Stochastic Optimal Control for Collective Variable Free Sampling of
Molecular Transition Paths [60.254555533113674]
分子系の2つの準安定状態間の遷移経路をサンプリングする問題を考察する。
本稿では,その遷移をサンプリングする機械学習手法を提案する。
論文 参考訳(メタデータ) (2022-06-27T14:01:06Z) - Sampling Rare Conformational Transitions with a Quantum Computer [0.0]
本稿では,古典的な量子コンピュータ上に実装された機械学習アルゴリズムとMDシミュレーションを紹介する。
我々は、分子構成の小さなセットに基づいて、システムの力学の厳密な低分解能表現を導出する。
この結果は,機械学習と量子コンピューティングを統合するためのMDシミュレーションの新しいパラダイムを提供する。
論文 参考訳(メタデータ) (2022-01-27T19:46:06Z) - Physical Gradients for Deep Learning [101.36788327318669]
最先端のトレーニング技術は、物理的なプロセスに関わる多くの問題に適していないことが分かりました。
本稿では,高次最適化手法と機械学習手法を組み合わせた新しいハイブリッドトレーニング手法を提案する。
論文 参考訳(メタデータ) (2021-09-30T12:14:31Z) - A Data Driven Method for Computing Quasipotentials [8.055813148141246]
準ポテンシャルは遷移イベントと遷移経路の統計を特徴づける中心的な役割を担っている。
動的プログラミング原理やパス空間に基づく伝統的な方法は、次元の呪いに苦しむ傾向があります。
本手法は,空間的離散化や経路空間最適化問題を解くことなく,効果的に準ポテンシャル景観を計算できることを示す。
論文 参考訳(メタデータ) (2020-12-13T02:32:49Z) - Continuous Transition: Improving Sample Efficiency for Continuous
Control Problems via MixUp [119.69304125647785]
本稿では,連続的遷移を構築するための簡潔かつ強力な手法を提案する。
具体的には、連続的な遷移を線形に補間することにより、トレーニングのための新しい遷移を合成することを提案する。
また, 建設過程を自動案内する判別器を開発した。
論文 参考訳(メタデータ) (2020-11-30T01:20:23Z) - A Machine Learning Framework for Computing the Most Probable Paths of
Stochastic Dynamical Systems [5.028470487310566]
そこで我々は,Onsager-Machlup 行動関数論における最も確率の高い経路を計算するための機械学習フレームワークを開発した。
具体的には、ハミルトニアン系の境界値問題を修正し、プロトタイプニューラルネットワークを設計し、射撃法の欠点を補う。
論文 参考訳(メタデータ) (2020-10-01T20:01:37Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳(メタデータ) (2020-06-22T08:35:58Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳(メタデータ) (2019-10-31T02:26:20Z)
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。