論文の概要: Collective Variable Free Transition Path Sampling with Generative Flow Network
- arxiv url: http://arxiv.org/abs/2405.19961v3
- Date: Thu, 18 Jul 2024 07:04:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-19 20:32:20.302616
- 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。
本研究では, 目標分布と生成器の2乗対数比を最小化することにより, 遷移経路上での償却エネルギーベースサンプリングとして問題を再構築し, 神経バイアス電位を訓練する。
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 unbiased 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 transition paths and train a neural 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 Helix, 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、準安定状態間の高エネルギー障壁のため、非バイアス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得られた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、遷移経路上での償却エネルギーベースのサンプリングとして問題を再構築し、ニューラル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、ポリプロリンヘリックス、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
- Variational Schrödinger Momentum Diffusion [15.074672636555755]
我々は、シミュレーションされた前方軌道への依存を排除するために、変分Schr"odinger運動量拡散(VSMD)を導入する。
提案手法は実世界のデータに対して効果的にスケールし,時系列および画像生成における競合的な結果を達成する。
論文 参考訳（メタデータ） (2025-01-28T03:19:58Z) - Sequential Controlled Langevin Diffusions [80.93988625183485]
2つの一般的な方法として,(1) 所定のマルコフ連鎖と再サンプリング工程を通した連続モンテカルロ (SMC) と,(2) 学習された動的輸送を用いる拡散に基づくサンプリング手法が最近開発された。
本稿では,SMC と拡散型サンプリング器を連続的に観察し,経路空間の測度を考慮し,SMC と拡散型サンプリング器を組み合わせるための基本的枠組みを提案する。
これは、従来の拡散のトレーニング予算の10%しか使用しない場合が多いが、これらの手法の利点を活用でき、複数のベンチマーク問題の性能向上に資するSCLD(Sequential Controlled Langevin Diffusion)サンプリング手法の成果である。
論文 参考訳（メタデータ） (2024-12-10T00:47:10Z) - Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
逆問題の解法として, 後方分布からのサンプルの変分推論手法を提案する。
本手法はユークリッド空間の標準信号や多様体上の信号に適用可能であることを示す。
論文 参考訳（メタデータ） (2024-07-25T09:53:12Z) - 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) - 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) - Efficient Multimodal Sampling via Tempered Distribution Flow [11.36635610546803]
我々はTemperFlowと呼ばれる新しいタイプのトランスポートベースサンプリング手法を開発した。
種々の実験により, 従来の手法と比較して, 新規サンプリング器の優れた性能が示された。
画像生成などの最新のディープラーニングタスクに応用例を示す。
論文 参考訳（メタデータ） (2023-04-08T06:40:06Z) - 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)
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。