論文の概要: Collective Variable Free Transition Path Sampling with Generative Flow Network

• arxiv url: http://arxiv.org/abs/2405.19961v1
• Date: Thu, 30 May 2024 11:32:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-31 14:38:07.774372
• Title: Collective Variable Free Transition Path Sampling with Generative Flow Network
• Title（参考訳）: 生成フローネットワークを用いた集団可変自由遷移経路サンプリング
• Authors: Kiyoung Seong, Seonghyun Park, Seonghwan Kim, Woo Youn Kim, Sungsoo Ahn,
• Abstract要約: 我々は,集団変数(CV)に頼ることなく,生成フローネットワーク(GFlowNets)を用いて遷移経路のサンプルを作成することを提案する。 TPS-GFNと呼ばれる我々の手法は、従来のCVフリー機械学習手法よりも現実的で多様な遷移経路を生成する。
• 参考スコア（独自算出の注目度）: 10.210248065533133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding transition paths between meta-stable states in molecular systems is fundamental for material design and drug discovery. However, sampling these paths via molecular dynamics simulations is computationally prohibitive due to the high-energy barriers between the meta-stable states. Recent machine learning approaches are often restricted to simple systems or rely on collective variables (CVs) extracted from expensive domain knowledge. In this work, we propose to leverage generative flow networks (GFlowNets) to sample transition paths without relying on CVs. We reformulate the problem as amortized energy-based sampling over molecular trajectories and train a bias potential by minimizing the squared log-ratio between the target distribution and the generator, derived from the flow matching objective of GFlowNets. Our evaluation on three proteins (Alanine Dipeptide, Polyproline, and Chignolin) demonstrates that our approach, called TPS-GFN, generates more realistic and diverse transition paths than the previous CV-free machine learning approach.
• Abstract（参考訳）: 分子系における準安定状態間の遷移経路を理解することは、物質設計と薬物発見に不可欠である。 しかし、分子動力学シミュレーションによるこれらの経路のサンプリングは、準安定状態間の高エネルギー障壁のため、計算的に禁止されている。 最近の機械学習アプローチは、しばしば単純なシステムに制限されるか、高価なドメイン知識から抽出された集合変数(CV)に依存している。 本研究では,生成フローネットワーク(GFlowNets)をCVに依存しない遷移経路のサンプリングに活用することを提案する。 我々は,GFlowNetsのフローマッチング目的から,ターゲット分布とジェネレータの2乗対数比を最小化することにより,分子軌道上のエネルギーベースサンプリングとして問題を再構築し,バイアスポテンシャルを訓練する。 我々の3つのタンパク質(アラニンジペプチド、ポリプロリン、チグノリン)に対する評価は、我々のアプローチであるTPS-GFNが、従来のCVフリー機械学習アプローチよりも現実的で多様な遷移経路を生成することを示している。

関連論文リスト

• Generalized Flow Matching for Transition Dynamics Modeling [14.76793118877456]
  局所力学から非線形性を学習することでシミュレーションをウォームアップするデータ駆動手法を提案する。 具体的には、局所力学データからポテンシャルエネルギー関数を推定し、2つの準安定状態間の可塑性経路を求める。 提案手法の有効性を検証するため, 合成分子系と実世界の分子系の両方において, 確率的経路をサンプリングする手法の有効性を検証する。
  論文  参考訳（メタデータ） (2024-10-19T15:03:39Z)
• Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
  本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。 物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
  論文  参考訳（メタデータ） (2024-07-10T17:39:50Z)
• 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)
• DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud Registration [73.37538551605712]
  ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。 実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)
• Diffusion Methods for Generating Transition Paths [6.222135766747873]
  本研究では,スコアベース生成モデルを用いて準安定状態間の稀な遷移をシミュレートする。 本稿では,チェーンベースアプローチとミッドポイントベースアプローチの2つの新しい経路生成手法を提案する。 M"uller電位とアラニンジペプチドが生成する遷移経路の数値的な結果は、これらのアプローチがデータリッチとデータスカースの両方で有効であることを示す。
  論文  参考訳（メタデータ） (2023-09-19T03:03:03Z)
• Enhanced Sampling of Configuration and Path Space in a Generalized Ensemble by Shooting Point Exchange [71.49868712710743]
  長寿命状態間の遷移によって引き起こされる稀な事象をシミュレートする新しい手法を提案する。 このスキームは遷移経路サンプリングシミュレーションの効率を大幅に向上させる。 力学を歪ませることなく、分子過程の熱力学、動力学、反応座標に関する情報を得る。
  論文  参考訳（メタデータ） (2023-02-17T08:41:31Z)
• Conditioning Normalizing Flows for Rare Event Sampling [61.005334495264194]
  本稿では,ニューラルネットワーク生成構成に基づく遷移経路サンプリング手法を提案する。 本手法は遷移領域の熱力学と運動学の両方の解法を可能にすることを示す。
  論文  参考訳（メタデータ） (2022-07-29T07:56:10Z)
• 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)
• Generative methods for sampling transition paths in molecular dynamics [0.0]
  1つの準安定状態と他の状態とをリンクする遷移経路のシミュレーションは、直接数値法により困難である。 本稿では,変分オートエンコーダなどの生成モデルに基づくサンプリング手法と,強化学習に基づく重要サンプリング手法について検討する。
  論文  参考訳（メタデータ） (2022-05-05T17:50:10Z)

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。