論文の概要: Thermodynamic Transferability in Coarse-Grained Force Fields using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2406.12112v2
• Date: Mon, 18 Nov 2024 15:21:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:26:43.049755
• Title: Thermodynamic Transferability in Coarse-Grained Force Fields using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた粗粒力場の熱力学的伝達性
• Authors: Emily Shinkle, Aleksandra Pachalieva, Riti Bahl, Sakib Matin, Brendan Gifford, Galen T. Craven, Nicholas Lubbers,
• Abstract要約: グラフ畳み込みニューラルネットワークアーキテクチャを用いて、粗いきめ細かい力場のための高度に自動化されたトレーニングパイプラインを開発する。 この手法により, 高精度な力場が得られるが, これらの力場は様々な熱力学条件によりより伝達可能であることを示す。
• 参考スコア（独自算出の注目度）: 36.136619420474766
• License:
• Abstract: Coarse-graining is a molecular modeling technique in which an atomistic system is represented in a simplified fashion that retains the most significant system features that contribute to a target output, while removing the degrees of freedom that are less relevant. This reduction in model complexity allows coarse-grained molecular simulations to reach increased spatial and temporal scales compared to corresponding all-atom models. A core challenge in coarse-graining is to construct a force field that represents the interactions in the new representation in a way that preserves the atomistic-level properties. Many approaches to building coarse-grained force fields have limited transferability between different thermodynamic conditions as a result of averaging over internal fluctuations at a specific thermodynamic state point. Here, we use a graph-convolutional neural network architecture, the Hierarchically Interacting Particle Neural Network with Tensor Sensitivity (HIP-NN-TS), to develop a highly automated training pipeline for coarse grained force fields which allows for studying the transferability of coarse-grained models based on the force-matching approach. We show that this approach not only yields highly accurate force fields, but also that these force fields are more transferable through a variety of thermodynamic conditions. These results illustrate the potential of machine learning techniques such as graph neural networks to improve the construction of transferable coarse-grained force fields.
• Abstract（参考訳）: 粗粒化(英: coarse-graining)とは、原子論的な系が単純化された方法で表現され、ターゲットの出力に寄与する最も重要な系の特徴を保ちながら、関連性の低い自由度を除去する分子モデリング技術である。 このモデル複雑性の低減により、粗粒度分子シミュレーションは、対応する全原子モデルと比較して空間的および時間的スケールが増大する。 粗粒化における中核的な課題は、原子レベルの特性を保持する方法で、新しい表現における相互作用を表現する力場を構築することである。 粗大きめの力場を構築するための多くのアプローチは、特定の熱力学状態点における内部のゆらぎに対する平均化の結果、異なる熱力学条件の間での伝達性に制限がある。 本稿では,階層的相互作用粒子ニューラルネットとテンソル感度(HIP-NN-TS)のグラフ畳み込みニューラルネットワークアーキテクチャを用いて,力マッチング手法に基づく粗粒度モデルの伝達可能性の研究を可能にする,粗粒度フィールドのための高度に自動化されたトレーニングパイプラインを開発する。 このアプローチは高い精度の力場を得るだけでなく、これらの力場は様々な熱力学条件を通してより伝達可能であることを示す。 これらの結果は、伝達可能な粗い力場の構築を改善するため、グラフニューラルネットワークのような機械学習技術の可能性を示している。

関連論文リスト

• Neural Message Passing Induced by Energy-Constrained Diffusion [79.9193447649011]
  本稿では,MPNNのメカニズムを理解するための原理的解釈可能なフレームワークとして,エネルギー制約付き拡散モデルを提案する。 データ構造が(グラフとして)観察されたり、部分的に観察されたり、完全に観察されなかったりした場合に、新しいモデルが有望な性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• 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)
• Two for One: Diffusion Models and Force Fields for Coarse-Grained Molecular Dynamics [15.660348943139711]
  我々は、スコアベース生成モデル、力場、分子動力学の接続を利用して、トレーニング中に力入力を必要とせずにCG力場を学習する。 従来よりも大幅に簡易化されたトレーニングセットアップを持つ一方で,本手法がいくつかの小～中規模のタンパク質シミュレーションの性能向上につながることを実証した。
  論文  参考訳（メタデータ） (2023-02-01T17:09:46Z)
• Developing Machine-Learned Potentials for Coarse-Grained Molecular Simulations: Challenges and Pitfalls [0.0]
  粗粒化(CG)は、原子分解能で達成できるものよりも大きな系とより長い時間スケールで分子特性を調べることができる。 近年,CG粒子相互作用の学習,すなわちCG力場の開発のために機械学習技術が提案されている。 この研究では、各CG粒子に作用する力は、連続的なフィルタ畳み込みによって構築されたSchNetという名前の局所環境の学習された表現と相関する。
  論文  参考訳（メタデータ） (2022-09-26T18:32:37Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• A2I Transformer: Permutation-equivariant attention network for pairwise and many-body interactions with minimal featurization [0.1469945565246172]
  本研究では,粒子の座標から原子間エネルギーを直接予測するエンド・ツー・エンドモデルを提案する。 我々は,周期境界条件 (PBC) や$n$-body相互作用,バイナリ合成など,分子シミュレーション問題におけるいくつかの課題に対して実験を行った。
  論文  参考訳（メタデータ） (2021-10-27T12:18:25Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Symmetry-adapted graph neural networks for constructing molecular dynamics force fields [10.820190246285122]
  分子動力学シミュレーションのための力場を自動構築する対称性適応グラフニューラルネットワークフレームワークを開発した。 MDGNNは古典的分子動力学と第一原理分子動力学の両方の結果を正確に再現する。
  論文  参考訳（メタデータ） (2021-01-08T09:32:24Z)
• Coarse Graining Molecular Dynamics with Graph Neural Networks [3.0279361008741827]
  本稿では,粗大な力場の機械学習のためのハイブリッドアーキテクチャを導入し,サブネットワークを介してそれぞれの特徴を学習する。 この枠組みは, 生体分子系における熱力学の再現に有効であることを示す。
  論文  参考訳（メタデータ） (2020-07-22T13:20:08Z)

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。