論文の概要: End-to-End Reaction Field Energy Modeling via Deep Learning based Voxel-to-voxel Transform
- arxiv url: http://arxiv.org/abs/2410.03927v1
- Date: Fri, 4 Oct 2024 21:11:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 15:21:16.083730
- Title: End-to-End Reaction Field Energy Modeling via Deep Learning based Voxel-to-voxel Transform
- Title（参考訳）: 深層学習に基づくVoxel-to-voxel変換によるエンドツーエンド反応場エネルギーモデリング
- Authors: Yongxian Wu, Qiang Zhu, Ray Luo,
- Abstract要約: 本稿では,ニューラルネットワークに基づく偏微分方程式解法の最近の進歩に触発された,新しい機械学習手法PBNeFを紹介する。
本手法はPB方程式の入力および境界静電条件を学習可能なボクセル表現に定式化する。
PBNeFは従来のPBソルバに比べて100倍以上のスピードアップを達成した。
- 参考スコア（独自算出の注目度）: 0.8852892045299524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In computational biochemistry and biophysics, understanding the role of electrostatic interactions is crucial for elucidating the structure, dynamics, and function of biomolecules. The Poisson-Boltzmann (PB) equation is a foundational tool for modeling these interactions by describing the electrostatic potential in and around charged molecules. However, solving the PB equation presents significant computational challenges due to the complexity of biomolecular surfaces and the need to account for mobile ions. While traditional numerical methods for solving the PB equation are accurate, they are computationally expensive and scale poorly with increasing system size. To address these challenges, we introduce PBNeF, a novel machine learning approach inspired by recent advancements in neural network-based partial differential equation solvers. Our method formulates the input and boundary electrostatic conditions of the PB equation into a learnable voxel representation, enabling the use of a neural field transformer to predict the PB solution and, subsequently, the reaction field potential energy. Extensive experiments demonstrate that PBNeF achieves over a 100-fold speedup compared to traditional PB solvers, while maintaining accuracy comparable to the Generalized Born (GB) model.
- Abstract（参考訳）: 計算生化学と生物物理学において、静電気相互作用の役割を理解することは、生体分子の構造、力学、機能を明らかにするために重要である。
ポアソン・ボルツマン方程式(ポアソン・ボルツマンかん、英: Poisson-Boltzmann equation)は、荷電分子とその周辺における静電ポテンシャルを記述することによって、これらの相互作用をモデル化するための基礎的なツールである。
しかし、PB方程式の解法は、生体分子表面の複雑さと移動イオンを考慮に入れる必要性により、計算上の大きな課題を生じさせる。
PB方程式を解く従来の数値法は正確であるが、計算コストが高く、システムサイズが大きくなるとスケールが低下する。
これらの課題に対処するために,ニューラルネットワークに基づく偏微分方程式解法の最近の進歩に触発された,新しい機械学習手法PBNeFを紹介する。
提案手法は,PB方程式の入力および境界静電条件を学習可能なボクセル表現に定式化し,ニューラル場変換器を用いてPB溶液を予測し,その後反応場電位エネルギーを推定する。
PBNeFは従来のPBソルバに比べて100倍以上のスピードアップを実現し、一般ボルン(GB)モデルに匹敵する精度を維持している。
関連論文リスト
- Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Thermodynamically-Informed Iterative Neural Operators for Heterogeneous Elastic Localization [0.0]
本研究では,不均一な材料構造上の局所的弾性変形場の予測という,計算力学における正準問題に焦点をあてる。
熱力学的インフォームド・イテレーティブ・ニューラル演算子を用いた係数対解写像のハイブリッド近似を構築した。
幅広いケーススタディを通じて、効率、正確性、柔軟性の観点からこれらの設計選択の利点を解明する。
論文 参考訳（メタデータ） (2024-11-10T17:11:49Z) - Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。
近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。
この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
論文 参考訳（メタデータ） (2024-05-23T16:30:51Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - Interpolating many-body wave functions for accelerated molecular dynamics on the near-exact electronic surface [0.0]
我々は原子配置の空間を通して相関多電子状態のスキームを開発する。
我々は、その後のダイナミクスに対して、ほぼ正確なポテンシャルエネルギー表面への証明可能な収束を示す。
分子動力学の軌跡を体系的に解くため、現代の電子構造アプローチと組み合わせる。
論文 参考訳（メタデータ） (2024-02-16T22:03:37Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳（メタデータ） (2023-06-19T06:02:53Z) - Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum
Computer [50.24983453990065]
我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。
我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。
興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
論文 参考訳（メタデータ） (2023-06-14T14:44:12Z) - EspalomaCharge: Machine learning-enabled ultra-fast partial charge
assignment [0.8081564951955756]
原子部分電荷は分子動力学(MD)シミュレーションにおいて重要なパラメータである。
広範に普及しているAM1-BCC電荷モデルに対して,物理/グラフニューラルネットワークに基づくハイブリッド近似を提案する。
このハイブリッドアプローチは原子数と線形にスケールし、小さな分子や生体高分子に対して完全に一貫した電荷モデルを使用することができる。
論文 参考訳（メタデータ） (2023-02-14T00:02:31Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - 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) - A Projection-based Reduced-order Method for Electron Transport Problems
with Long-range Interactions [0.0]
長距離相互作用は電子輸送において中心的な役割を果たす。
クーロンポテンシャルを正確に計算するために、長距離相互作用を計算に含まなければならない。
本稿では, 縮密度行列に対する開量子モデルを導出することにより, 減階法を提案する。
論文 参考訳（メタデータ） (2021-06-06T20:37:09Z)
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。