論文の概要: Force-Guided Bridge Matching for Full-Atom Time-Coarsened Dynamics of Peptides

• arxiv url: http://arxiv.org/abs/2408.15126v1
• Date: Tue, 27 Aug 2024 15:07:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-28 13:23:24.316838
• Title: Force-Guided Bridge Matching for Full-Atom Time-Coarsened Dynamics of Peptides
• Title（参考訳）: ペプチドのフル原子時間相関ダイナミクスのためのフォースガイドブリッジマッチング
• Authors: Ziyang Yu, Wenbing Huang, Yang Liu,
• Abstract要約: そこで本研究では,まず物理前処理をブリッジマッチングに組み込んだ実力誘導型ブリッジマッチングモデルFBMを提案する。 我々のよく設計された中間力場の誘導により、FBMは余分なステップなしで直接推論によりボルツマン様の分布を目標にすることができる。
• 参考スコア（独自算出の注目度）: 17.559471937824767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular Dynamics (MD) simulations are irreplaceable and ubiquitous in fields of materials science, chemistry, pharmacology just to name a few. Conventional MD simulations are plagued by numerical stability as well as long equilibration time issues, which limits broader applications of MD simulations. Recently, a surge of deep learning approaches have been devised for time-coarsened dynamics, which learns the state transition mechanism over much larger time scales to overcome these limitations. However, only a few methods target the underlying Boltzmann distribution by resampling techniques, where proposals are rarely accepted as new states with low efficiency. In this work, we propose a force-guided bridge matching model, FBM, a novel framework that first incorporates physical priors into bridge matching for full-atom time-coarsened dynamics. With the guidance of our well-designed intermediate force field, FBM is feasible to target the Boltzmann-like distribution by direct inference without extra steps. Experiments on small peptides verify our superiority in terms of comprehensive metrics and demonstrate transferability to unseen peptide systems.
• Abstract（参考訳）: 分子動力学(MD)シミュレーションは、材料科学、化学、薬理学の分野において、いくつかの分野において、置換不可能でユビキタスである。 従来のMDシミュレーションは、MDシミュレーションの広範な適用を制限する長期均衡時間問題と同様に、数値安定性に悩まされている。 近年,この制限を克服するために,より大規模な時間スケールにおける状態遷移機構を学習する,時間粗大化力学のためのディープラーニングアプローチの急激な開発が進められている。 しかしながら,提案手法が低効率な新しい状態として受け入れられることは滅多にない,再サンプリング手法によってボルツマン分布を目標とする手法はごくわずかである。 本研究では,フル原子時間粗大化力学のためのブリッジマッチングに物理前処理を組み込んだ新しいフレームワークであるFBMを提案する。 我々のよく設計された中間力場の誘導により、FBMは余分なステップなしで直接推論によりボルツマン様の分布を目標にすることができる。 小ペプチドに関する実験は、網羅的な指標で我々の優越性を検証し、未知のペプチド系への転移性を示す。

関連論文リスト

• BoostMD: Accelerating molecular sampling by leveraging ML force field features from previous time-steps [3.8214695776749013]
  BoostMDは分子動力学シミュレーションを高速化するために設計されたサロゲートモデルアーキテクチャである。 実験の結果,BoostMDは参照モデルと比較して8倍のスピードアップを実現していることがわかった。 効率的な機能再利用と合理化されたアーキテクチャを組み合わせることで、BoostMDは大規模で長期の分子シミュレーションを行うための堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-12-21T20:52:36Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Score dynamics: scaling molecular dynamics with picoseconds timestep via conditional diffusion model [5.39025059364831]
  分子動力学シミュレーションから大きな時間ステップを持つ加速進化演算子を学習するためのフレームワークであるスコアダイナミクス(SD)を提案する。 我々は10psの時間ステップで進化した現実的な分子系のグラフニューラルネットワークに基づくスコアダイナミクスモデルを構築した。 現在のSD実装は,本研究で研究したシステムに対して,MDよりも約2桁高速である。
  論文  参考訳（メタデータ） (2023-10-02T22:29:45Z)
• Timewarp: Transferable Acceleration of Molecular Dynamics by Learning Time-Coarsened Dynamics [24.13304926093212]
  我々は,マルコフ連鎖モンテカルロ法において,正規化フローを提案分布として用いる改良されたサンプリング手法であるTimewarpを提案する。 フローはMDトラジェクトリ上でオフラインでトレーニングされ,105～106:textrmfs$の分子動力学をシミュレートして,大きなステップの時間化を学ぶ。
  論文  参考訳（メタデータ） (2023-02-02T15:48:39Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Simulate Time-integrated Coarse-grained Molecular Dynamics with Multi-Scale Graph Networks [4.444748822792469]
  学習に基づく力場はアブ・イニシアトMDシミュレーションの高速化に大きな進歩を遂げているが、現実の多くのアプリケーションでは不十分である。 非常に大きな時間ステップで、粗粒MDを直接シミュレートするマルチスケールグラフニューラルネットワークを学習することで、これらの課題に対処することを目指している。
  論文  参考訳（メタデータ） (2022-04-21T18:07:08Z)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Physics-aware, probabilistic model order reduction with guaranteed stability [0.0]
  実効, 低次元, 粗粒度ダイナミクスモデル学習のための生成的枠組みを提案する。 粒子力学のマルチスケール物理系におけるその有効性と精度を実証する。
  論文  参考訳（メタデータ） (2021-01-14T19:16:51Z)

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。