論文の概要: Machine Learning of Slow Collective Variables and Enhanced Sampling via Spatial Techniques

• arxiv url: http://arxiv.org/abs/2412.20868v1
• Date: Mon, 30 Dec 2024 11:11:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:04:11.130286
• Title: Machine Learning of Slow Collective Variables and Enhanced Sampling via Spatial Techniques
• Title（参考訳）: 遅い集団変数の機械学習と空間的手法によるサンプリングの強化
• Authors: Tuğçe Gökdemir, Jakub Rydzewski,
• Abstract要約: 我々は,時間的軌跡を入力として必要とせずに,状態間の最も遅い遷移に対応するCVを識別できる技術に焦点をあてる。 本稿では,このカテゴリにおける最新の技術開発について論じ,熱力学による遅いCVの空間学習の可能性について概説する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Understanding the long-time dynamics of complex physical processes depends on our ability to recognize patterns. To simplify the description of these processes, we often introduce a set of reaction coordinates, customarily referred to as collective variables (CVs). The quality of these CVs heavily impacts our comprehension of the dynamics, often influencing the estimates of thermodynamics and kinetics from atomistic simulations. Consequently, identifying CVs poses a fundamental challenge in chemical physics. Recently, significant progress was made by leveraging the predictive ability of unsupervised machine learning techniques to determine CVs. Many of these techniques require temporal information to learn slow CVs that correspond to the long timescale behavior of the studied process. Here, however, we specifically focus on techniques that can identify CVs corresponding to the slowest transitions between states without needing temporal trajectories as input, instead using the spatial characteristics of the data. We discuss the latest developments in this category of techniques and briefly discuss potential directions for thermodynamics-informed spatial learning of slow CVs.
• Abstract（参考訳）: 複雑な物理プロセスの長時間のダイナミクスを理解することは、パターンを認識する能力に依存します。 これらのプロセスの記述を単純化するために、我々はしばしば、通常、集合変数(CV)と呼ばれる一連の反応座標を導入する。 これらのCVの質は我々の力学の理解に大きく影響を与え、しばしば原子論シミュレーションからの熱力学と力学の見積もりに影響を与える。 そのため、CVの同定は化学物理学における根本的な課題となっている。 近年,教師なし機械学習技術によるCVの予測能力を活用して大きな進歩を遂げた。 これらの技術の多くは、研究プロセスの長い時間スケールの振る舞いに対応する遅いCVを学習するために時間的情報を必要とする。 しかし,本稿では,時間的軌跡を入力として必要とせず,その代わりに空間特性を用いて,状態間の最も遅い遷移に対応するCVを識別する手法に着目する。 本稿では,このカテゴリにおける最新の技術開発について論じ,熱力学による遅いCVの空間学習の可能性について概説する。

関連論文リスト

• A Note on Spectral Map [0.0]
  状態間の遷移は、しばしば熱温度を超えるエネルギー障壁によって稀な出来事である。 この問題に対する一般的なアプローチは、単純化された表現によってこのプロセスを記述する集合変数(CV)を提案することである。 本稿では、遅い変数と速い変数の時間スケールの分離を最大化することでCVを構成するスペクトルマップと呼ばれる最近の教師なしML手法について述べる。
  論文  参考訳（メタデータ） (2024-12-05T09:45:21Z)
• TPP-Gaze: Modelling Gaze Dynamics in Space and Time with Neural Temporal Point Processes [63.95928298690001]
  ニューラル・テンポラル・ポイント・プロセス(TPP)に基づく新規かつ原則化されたスキャンパスダイナミクスのアプローチであるTPP-Gazeを提案する。 提案手法は,最先端手法と比較して総合的に優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-30T19:22:38Z)
• Spectral Map for Slow Collective Variables, Markovian Dynamics, and Transition State Ensembles [0.0]
  本稿では,タンパク質の高次元可逆的折り畳み過程を例に,我々のフレームワークにいくつかの進歩を紹介した。 スペクトルマップで学習した遅いCVは,過度な拡散に対してマルコフ限界に近づいた。 座標依存拡散係数が構築された自由エネルギー景観にわずかにしか影響しないことを示す。
  論文  参考訳（メタデータ） (2024-09-10T11:20:36Z)
• Nature-Inspired Local Propagation [68.63385571967267]
  自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。 ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。 これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
  論文  参考訳（メタデータ） (2024-02-04T21:43:37Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Understanding recent deep-learning techniques for identifying collective variables of molecular dynamics [5.176190855174938]
  高次元準安定分子系は、しばしばいくつかの特徴、すなわち集団変数(CV)によって特徴づけられる。 近年,様々な深層学習に基づくCV識別技術が開発され,複雑な分子系の正確なモデリングと効率的なシミュレーションが実現されている。 CVの探索には、無限小ジェネレータの固有関数の計算や、基礎となるダイナミクスに関連付けられた転送演算子、あるいは再構成エラーの最小化によるオートエンコーダの学習の2つの異なるカテゴリについて検討する。
  論文  参考訳（メタデータ） (2023-07-01T15:26:08Z)
• On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
  ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。 様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
  論文  参考訳（メタデータ） (2022-08-07T09:02:18Z)
• Temporal Attention Augmented Transformer Hawkes Process [4.624987488467739]
  新しいタイプのトランスフォーマーベースホークスプロセスモデル、テンポラルアテンション強化トランスフォーマーホークスプロセス(TAA-THP)を考案した。 従来の点積アテンション構造を修正し、テンポラルエンコーディングをアテンション構造に導入する。 提案したTAA-THPモデルの性能を評価するために, 広範囲の合成および実生活データセットについて多数の実験を行った。
  論文  参考訳（メタデータ） (2021-12-29T09:45:23Z)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)
• Learning Temporal Dynamics from Cycles in Narrated Video [85.89096034281694]
  時が経つにつれて世界がどのように変化するかをモデル化する学習問題に対する自己監督型ソリューションを提案します。 私たちのモデルは、前方および後方の時間を予測するためにモダリティに依存しない関数を学習します。 将来的な動作の予測や画像の時間的順序付けなど,様々なタスクに対して,学習されたダイナミクスモデルを適用する。
  論文  参考訳（メタデータ） (2021-01-07T02:41:32Z)

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。