Fugu-MT 論文翻訳(概要): Solvation Free Energies from Neural Thermodynamic Integration

論文の概要: Solvation Free Energies from Neural Thermodynamic Integration

arxiv url: http://arxiv.org/abs/2410.15815v1
Date: Mon, 21 Oct 2024 09:28:46 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-22 13:16:10.926812
Title: Solvation Free Energies from Neural Thermodynamic Integration
Title（参考訳）: ニューラル熱力学統合による解離自由エネルギー
Authors: Bálint Máté, François Fleuret, Tristan Bereau,
Abstract要約: 我々は、2つのターゲットハミルトニアン間を補間する神経ネットワークポテンシャルに沿って解離自由エネルギーを計算する。いくつかのベンチマークシステムで解答自由エネルギーを計算する方法を検証する。
参考スコア（独自算出の注目度）: 19.871787625519513
License:
Abstract: We propose to compute solvation free energies via thermodynamic integration along a neural-network potential interpolating between two target Hamiltonians. We use a stochastic interpolant to define an interpolation between the distributions at the level of samples and optimize a neural network potential to match the corresponding equilibrium potential at every intermediate time-step. Once the alignment between the interpolating samples and the interpolating potentials is sufficiently accurate, the free-energy difference between the two Hamiltonians can be estimated using (neural) thermodynamic integration. We validate our method to compute solvation free energies on several benchmark systems: a Lennard-Jones particle in a Lennard-Jones fluid, as well as the insertion of both water and methane solutes in a water solvent at atomistic resolution.
Abstract（参考訳）: 本稿では,2つの対象ハミルトニアン間を補間するニューラルネットワークポテンシャルと熱力学積分による解離自由エネルギーの計算を提案する。確率補間器を用いて、サンプルレベルの分布間の補間を定義し、ニューラルネットワーク電位を最適化し、中間時間毎に対応する平衡電位に一致させる。補間試料と補間電位とのアライメントが十分に正確であれば、2つのハミルトニアンの自由エネルギー差を(神経)熱力学積分を用いて推定することができる。我々は,レナード-ジョーンズ流体中のレナード-ジョーンズ粒子と,水とメタンの溶質を原子分解能で水溶媒中に挿入することの2つのベンチマークシステムを用いて,溶解自由エネルギーを計算する方法を検証する。

関連論文リスト

Scalable learning of potentials to predict time-dependent Hartree-Fock dynamics [0.8192907805418581]
我々は、TDHFの電子間ポテンシャルの3つのモデルを開発し、訓練し、テストする。 7つの異なる分子系にまたがって、より深い8倍の対称性を考慮すれば、最高の性能モデルが得られる。
論文参考訳（メタデータ） (2024-08-08T21:41:51Z)
Neural Thermodynamic Integration: Free Energies from Energy-based Diffusion Models [19.871787625519513]
我々は、トレーニング可能なニューラルネットワークで表されるアルケミカル経路に沿って熱力学積分(TI)を実行することを提案する。本研究では、相互作用系と非相互作用系の間の時間依存ハミルトン補間をパラメトリズし、その勾配を最適化する。すべての中間アンサンブルをサンプリングするエネルギーベース拡散モデルの能力により、単一の参照計算からTIを実行することができる。
論文参考訳（メタデータ） (2024-06-04T13:42:42Z)
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)
Solvable entanglement dynamics in quantum circuits with generalized dual unitarity [0.0]
蹴りアイシングモデルの非平衡ダイナミクスを1+1$次元で研究する。これらのモデルは量子回路と等価な時間進化をもたらす。
論文参考訳（メタデータ） (2023-12-19T15:23:55Z)
Dilute neutron star matter from neural-network quantum states [58.720142291102135]
低密度中性子物質はクーパー対の形成と超流動の開始によって特徴づけられる。我々は、モンテカルロ変分法と再構成技術を組み合わせた隠れ核量子ネットワーク量子状態の表現性に乗じて、この密度構造をモデル化する。
論文参考訳（メタデータ） (2022-12-08T17:55:25Z)
Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
論文参考訳（メタデータ） (2022-03-31T12:52:25Z)
NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。我々はNeuroFluidという2段階の異なるネットワークを提案する。初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文参考訳（メタデータ） (2022-03-03T15:13:29Z)
Molecular Dynamics of Polymer-lipids in Solution from Supervised Machine Learning [0.3867363075280543]
環境条件下で酢酸エチルで溶解した高分子高分子-脂質凝集体のエネルギーを予測するための3つのよく確立されたニューラルネットワークアーキテクチャの能力について検討する。リカレントニューラルネットワークから生成されたデータモデルは、分子動力学から生成された溶媒との相互作用エネルギーとマクロ分子内ポテンシャルエネルギーのナノ秒単位の時系列で訓練され、試験される。
論文参考訳（メタデータ） (2022-03-01T00:13:35Z)
A2I Transformer: Permutation-equivariant attention network for pairwise and many-body interactions with minimal featurization [0.1469945565246172]
本研究では,粒子の座標から原子間エネルギーを直接予測するエンド・ツー・エンドモデルを提案する。我々は,周期境界条件 (PBC) や$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)
E(n) Equivariant Normalizing Flows for Molecule Generation in 3D [87.12477361140716]
本稿ではユークリッド対称性に同値な生成モデルを紹介する: E(n) 等変正規化フロー(E-NFs) 私たちの知る限りでは、これは3Dで分子を生成する可能性に基づく最初の深層生成モデルである。
論文参考訳（メタデータ） (2021-05-19T09:28:54Z)
Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文参考訳（メタデータ） (2020-07-28T14:52:28Z)

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。