論文の概要: Molecular relaxation by reverse diffusion with time step prediction

• arxiv url: http://arxiv.org/abs/2404.10935v2
• Date: Sat, 3 Aug 2024 13:26:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 22:54:48.464446
• Title: Molecular relaxation by reverse diffusion with time step prediction
• Title（参考訳）: 時間ステップ予測による逆拡散による分子緩和
• Authors: Khaled Kahouli, Stefaan Simon Pierre Hessmann, Klaus-Robert Müller, Shinichi Nakajima, Stefan Gugler, Niklas Wolf Andreas Gebauer,
• Abstract要約: 逆拡散による分子緩和であるMoreRedを提案する。 モレレッドは複雑な物理PSSの代わりに単純な擬ポテンシャルエネルギー曲面(PES)を学習する。 得られた平衡構造と参照平衡構造とエネルギーとのルート平均二乗偏差を評価した。
• 参考スコア（独自算出の注目度）: 13.834005606387706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular relaxation, finding the equilibrium state of a non-equilibrium structure, is an essential component of computational chemistry to understand reactivity. Classical force field (FF) methods often rely on insufficient local energy minimization, while neural network FF models require large labeled datasets encompassing both equilibrium and non-equilibrium structures. As a remedy, we propose MoreRed, molecular relaxation by reverse diffusion, a conceptually novel and purely statistical approach where non-equilibrium structures are treated as noisy instances of their corresponding equilibrium states. To enable the denoising of arbitrarily noisy inputs via a generative diffusion model, we further introduce a novel diffusion time step predictor. Notably, MoreRed learns a simpler pseudo potential energy surface (PES) instead of the complex physical PES. It is trained on a significantly smaller, and thus computationally cheaper, dataset consisting of solely unlabeled equilibrium structures, avoiding the computation of non-equilibrium structures altogether. We compare MoreRed to classical FFs, equivariant neural network FFs trained on a large dataset of equilibrium and non-equilibrium data, as well as a semi-empirical tight-binding model. To assess this quantitatively, we evaluate the root-mean-square deviation between the found equilibrium structures and the reference equilibrium structures as well as their energies.
• Abstract（参考訳）: 非平衡構造の平衡状態を見つける分子緩和は、反応性を理解するための計算化学の重要な構成要素である。 古典的な力場(FF)法はしばしば局所エネルギーの最小化に頼っているが、ニューラルネットワークのFFモデルは平衡構造と非平衡構造の両方を含む大きなラベル付きデータセットを必要とする。 そこで本研究では, 逆拡散による分子緩和であるMoreRedを提案する。これは, 非平衡構造を対応する平衡状態のノイズインスタンスとして扱う, 概念的, 純粋に統計的アプローチである。 生成拡散モデルを用いて任意のノイズの入力をデノナイズできるようにするため、新しい拡散時間ステップ予測器を導入する。 特に、モレレッドは複雑な物理PSSの代わりに単純な擬ポテンシャルエネルギー曲面(PES)を学ぶ。 非平衡構造の計算を完全に回避し、ラベル付けされていない平衡構造からなるデータセットを、はるかに小さく、計算的に安価に訓練する。 我々は、MoreRedを古典的なFFと比較し、平衡データと非平衡データの大規模なデータセットに基づいて訓練された同変ニューラルネットワークFFと、半経験的強結合モデルを比較した。 これを定量的に評価するために、見いだされた平衡構造と基準平衡構造とそれらのエネルギーとのルート平均二乗偏差を評価した。

関連論文リスト

• Model-free learning of probability flows: Elucidating the nonequilibrium dynamics of flocking [15.238808518078567]
  位相空間の高次元性は、エントロピー生成速度を推定できない伝統的な計算技術を示す。 慣性系に対する確率電流とEPRの2つの局所的定義との間に新しい物理的関係を導出する。 この結果から,アライメントと揺らぎの相互作用が順番を動的に生成・消滅させるため,群れの空間的界面でエントロピーが消費されることが示唆された。
  論文  参考訳（メタデータ） (2024-11-21T17:08:06Z)
• Tight Stability, Convergence, and Robustness Bounds for Predictive Coding Networks [60.3634789164648]
  予測符号化(PC)のようなエネルギーベースの学習アルゴリズムは、機械学習コミュニティにおいて大きな注目を集めている。 動的システム理論のレンズを用いて,PCの安定性,堅牢性,収束性を厳密に解析する。
  論文  参考訳（メタデータ） (2024-10-07T02:57:26Z)
• Neural force functional for non-equilibrium many-body colloidal systems [0.20971479389679337]
  パワー関数理論と機械学習を組み合わせて、コロイド粒子の非平衡過剰多体系を研究する。 まず、ブラウン粒子のコンピュータシミュレーションから、一体場を定常にサンプリングする。 ニューラルネットワークは、このデータを用いて訓練され、一体密度と速度プロファイルから一体の内部力場への公式な正確に機能的なマッピングを宇宙空間で局所的に表現する。
  論文  参考訳（メタデータ） (2024-06-05T19:57:23Z)
• Improving equilibrium propagation without weight symmetry through Jacobian homeostasis [7.573586022424398]
  平衡伝播(EP)は誤りアルゴリズム(BP)のバックプロパゲーションの魅力的な代替手段である EPは、非バイアス勾配を効率的に推定するために、重量対称性と無限小平衡摂動(nudges)を必要とする。 有限ヌッジはコーシー積分を通しても正確な微分を推定できるので、問題が生じないことが示される。 ネットワークの固定点におけるジャコビアンの関数的非対称性を直接緩和する新たなホメオスタティックな目的を提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:20:43Z)
• 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)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Global Convergence of Over-parameterized Deep Equilibrium Models [52.65330015267245]
  ディープ均衡モデル(Deep equilibrium model, DEQ)は、入射を伴う無限深度重み付きモデルの平衡点を通して暗黙的に定義される。 無限の計算の代わりに、ルートフィンディングで直接平衡点を解き、暗黙の微分で勾配を計算する。 本稿では,無限深度重み付きモデルの非漸近解析における技術的困難を克服する新しい確率的枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:00:13Z)
• Universal Quantum Fluctuation-Dissipation Relation for Systems Far From Equilibrium [3.0965505512285967]
  詳細平衡条件に反する量子マルコフ過程に対する一般非平衡ゆらぎ散逸定理(FDT)を提案する。 ゆらぎとは別に、緩和は量子カールフラックスによって支配される余分な相関を含む。 本研究の結果は, 摂動状態および近平衡状態におけるゆらぎ-散逸関係の範囲を超え, 優位性を有する。
  論文  参考訳（メタデータ） (2021-01-28T06:12:08Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
  本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。 アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
  論文  参考訳（メタデータ） (2020-05-08T16:15:47Z)

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。