論文の概要: Estimating Committor Functions via Deep Adaptive Sampling on Rare Transition Paths

• arxiv url: http://arxiv.org/abs/2501.15522v1
• Date: Sun, 26 Jan 2025 13:38:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:58:15.591180
• Title: Estimating Committor Functions via Deep Adaptive Sampling on Rare Transition Paths
• Title（参考訳）: 希少遷移経路に基づく深層適応サンプリングによるコミッタ関数の推定
• Authors: Yueyang Wang, Kejun Tang, Xili Wang, Xiaoliang Wan, Weiqing Ren, Chao Yang,
• Abstract要約: コミッタ関数は、分子シミュレーションにおける希少だが重要な事象の研究の中心である。 本稿では,ニューラルネットワークをトレーニングしてコミッタ関数を近似する,遷移状態領域のデータポイントを生成するための効率的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.86462659735635
• License:
• Abstract: The committor functions are central to investigating rare but important events in molecular simulations. It is known that computing the committor function suffers from the curse of dimensionality. Recently, using neural networks to estimate the committor function has gained attention due to its potential for high-dimensional problems. Training neural networks to approximate the committor function needs to sample transition data from straightforward simulations of rare events, which is very inefficient. The scarcity of transition data makes it challenging to approximate the committor function. To address this problem, we propose an efficient framework to generate data points in the transition state region that helps train neural networks to approximate the committor function. We design a Deep Adaptive Sampling method for TRansition paths (DASTR), where deep generative models are employed to generate samples to capture the information of transitions effectively. In particular, we treat a non-negative function in the integrand of the loss functional as an unnormalized probability density function and approximate it with the deep generative model. The new samples from the deep generative model are located in the transition state region and fewer samples are located in the other region. This distribution provides effective samples for approximating the committor function and significantly improves the accuracy. We demonstrate the effectiveness of the proposed method through both simulations and realistic examples.
• Abstract（参考訳）: コミッタ関数は、分子シミュレーションにおいて稀だが重要な事象を研究する中心である。 コミッタ関数の計算は次元性の呪いに苦しむことが知られている。 近年,ニューラルネットワークを用いてコミッタ関数を推定する手法が注目されている。 コミッタ関数を近似するためにニューラルネットワークを訓練するには、非常に非効率な稀な事象の簡単なシミュレーションから遷移データをサンプリングする必要がある。 トランジションデータの不足により、コミッタ関数の近似が困難になる。 この問題に対処するために、ニューラルネットワークをトレーニングしてコミッタ関数を近似するのに役立つ遷移状態領域のデータポイントを生成する効率的なフレームワークを提案する。 本研究では, トランジションパス (DASTR) の深層適応サンプリング手法を設計し, トランジションの情報を効果的に捉えるために, 深部生成モデルを用いてサンプルを生成する。 特に、損失関数の積分における非負関数を非正規化確率密度関数として扱い、それを深部生成モデルと近似する。 深部生成モデルから得られた新しいサンプルは遷移状態領域にあり、他の領域ではサンプルが少ない。 この分布はコミッタ関数の近似に有効なサンプルを提供し、精度を大幅に向上させる。 提案手法の有効性をシミュレーションと実例で示す。

関連論文リスト

• Rolling bearing fault diagnosis method based on generative adversarial enhanced multi-scale convolutional neural network model [7.600902237804825]
  マルチスケール畳み込みニューラルネットワークモデルに基づく転がり軸受故障診断手法を提案する。 ResNet法と比較して,提案手法はより優れた一般化性能と反雑音性能を有することを示す。
  論文  参考訳（メタデータ） (2024-03-21T06:42:35Z)
• Variational Sampling of Temporal Trajectories [39.22854981703244]
  遷移関数 $f$ を関数空間の要素として明示的にパラメータ化することにより、軌道の分布を学習する機構を導入する。 我々のフレームワークは、新しい軌道の効率的な合成を可能にすると同時に、推論に便利なツールを直接提供します。
  論文  参考訳（メタデータ） (2024-03-18T02:12:12Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
  線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。 ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
  論文  参考訳（メタデータ） (2023-04-17T14:23:43Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Supervised Learning and the Finite-Temperature String Method for Computing Committor Functions and Reaction Rates [0.0]
  希少事象の計算研究における中心的な対象はコミッタ関数である。 アルゴリズムの精度を改善するために追加の修正が必要であることを示す。
  論文  参考訳（メタデータ） (2021-07-28T17:44:00Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。