論文の概要: Fast, Modular, and Differentiable Framework for Machine Learning-Enhanced Molecular Simulations

• arxiv url: http://arxiv.org/abs/2503.20541v1
• Date: Wed, 26 Mar 2025 13:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:19:25.293297
• Title: Fast, Modular, and Differentiable Framework for Machine Learning-Enhanced Molecular Simulations
• Title（参考訳）: 機械学習強化分子シミュレーションのための高速でモジュール的で微分可能なフレームワーク
• Authors: Henrik Christiansen, Takashi Maruyama, Federico Errica, Viktor Zaverkin, Makoto Takamoto, Francesco Alesiani,
• Abstract要約: 分子動力学およびモンテカルロシミュレーションのためのエンドツーエンド微分分子シミュレーションフレームワーク(DIMOS)を提案する。 そのモジュール性のおかげで、古典的および機械学習に基づくアプローチは、システムのハイブリッド記述(ML/MM)に簡単に組み合わせることができる。 優れたパフォーマンスと高い汎用性は、さまざまなベンチマークやアプリケーションで調査されている。
• 参考スコア（独自算出の注目度）: 12.00988094580341
• License:
• Abstract: We present an end-to-end differentiable molecular simulation framework (DIMOS) for molecular dynamics and Monte Carlo simulations. DIMOS easily integrates machine-learning-based interatomic potentials and implements classical force fields including particle-mesh Ewald electrostatics. Thanks to its modularity, both classical and machine-learning-based approaches can be easily combined into a hybrid description of the system (ML/MM). By supporting key molecular dynamics features such as efficient neighborlists and constraint algorithms for larger time steps, the framework bridges the gap between hand-optimized simulation engines and the flexibility of a PyTorch implementation. The superior performance and the high versatility is probed in different benchmarks and applications, with speed-up factors of up to $170\times$. The advantage of differentiability is demonstrated by an end-to-end optimization of the proposal distribution in a Markov Chain Monte Carlo simulation based on Hamiltonian Monte Carlo. Using these optimized simulation parameters a $3\times$ acceleration is observed in comparison to ad-hoc chosen simulation parameters. The code is available at https://github.com/nec-research/DIMOS.
• Abstract（参考訳）: 分子動力学およびモンテカルロシミュレーションのためのエンドツーエンド微分分子シミュレーションフレームワーク(DIMOS)を提案する。 DIMOSは、機械学習に基づく原子間ポテンシャルを容易に統合し、パーティクルメッシュエワルド静電など古典的な力場を実装している。 モジュール性のおかげで、古典的および機械学習ベースのアプローチは、システムのハイブリッド記述(ML/MM)に簡単に組み合わせることができる。 効率的な隣人や制約アルゴリズムといった重要な分子動力学機能をサポートすることで、手動最適化シミュレーションエンジンとPyTorch実装の柔軟性のギャップを橋渡しする。 優れたパフォーマンスと高い汎用性は、さまざまなベンチマークやアプリケーションで調査されており、スピードアップファクタは最大170\times$である。 微分可能性の利点は、ハミルトニアンモンテカルロに基づくマルコフ連鎖モンテカルロシミュレーションにおいて、提案分布のエンドツーエンドの最適化によって示される。 これらの最適化されたシミュレーションパラメータを用いて、アドホック選択されたシミュレーションパラメータと比較して、$3\times$加速度が観測される。 コードはhttps://github.com/nec-research/DIMOSで公開されている。

関連論文リスト

• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Towards Automated Algebraic Multigrid Preconditioner Design Using Genetic Programming for Large-Scale Laser Beam Welding Simulations [0.0]
  我々は、利用可能な個々のコンポーネントから効率的なマルチグリッドサイクルを構築するために、進化的アルゴリズムを用いる。 この技術はレーザービーム溶接プロセスの有限要素シミュレーションに適用される。
  論文  参考訳（メタデータ） (2024-12-11T08:24:38Z)
• EPS-MoE: Expert Pipeline Scheduler for Cost-Efficient MoE Inference [49.94169109038806]
  本稿では,既存の並列処理方式を超越したMoE用パイプラインスケジューラであるEPS-MoEを紹介する。 その結果,既存の並列推論手法と比較して,プリフィルスループットは52.4%向上した。
  論文  参考訳（メタデータ） (2024-10-16T05:17:49Z)
• Machine Learning Optimized Approach for Parameter Selection in MESHFREE Simulations [0.0]
  従来のメッシュベースのアプローチに代わる魅力的な代替手段として、メッシュフリーシミュレーション手法が登場している。 機械学習(ML)とFraunhoferのMESHFREEソフトウェアを組み合わせた研究の概要について概説する。 本稿では,MESHFREEシミュレーションデータに能動的学習,回帰木を用いたML最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-03-20T15:29:59Z)
• 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)
• NNP/MM: Accelerating molecular dynamics simulations with machine learning potentials and molecular mechanic [38.50309739333058]
  ニューラルネットワーク電位(NNP)と分子力学(MM)を組み合わせたハイブリッド手法(NNP/MM)の最適化実装を提案する。 このアプローチは、小さな分子のようなシステムの一部をNNPを用いてモデル化し、残りのシステムにMMを用いて効率を向上する。 これにより, シミュレーション速度を5倍に向上し, 複合体毎の1マイクロ秒の同時サンプリングを実現し, この種のシミュレーションで報告された最長のシミュレーションとなった。
  論文  参考訳（メタデータ） (2022-01-20T10:57:20Z)
• ElVibRot-MPI: parallel quantum dynamics with Smolyak algorithm for general molecular simulation [0.0]
  一般分子シミュレーションのためのSmolyakアルゴリズムを用いた並列量子力学パッケージを提案する。 このプログラムはハミルトン形式に制限がなく、異なる問題に適応するためのシミュレーション設定に高い柔軟性を提供する。
  論文  参考訳（メタデータ） (2021-11-26T18:34:07Z)
• Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
  本稿では, 音素の効率的な微分可能シミュレーション法を提案する。 これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。 提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
  論文  参考訳（メタデータ） (2021-09-16T04:48:13Z)
• Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
  本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。 これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。 力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
  論文  参考訳（メタデータ） (2021-09-07T20:01:22Z)
• Achieving 100X faster simulations of complex biological phenomena by coupling ML to HPC ensembles [47.44377051031385]
  ML駆動HPCシミュレーションシナリオのプロトタイプのためのツールであるDeepDriveMDを紹介します。 ML駆動のアンサンブルベースのアプリケーションの科学的性能の向上を定量化するために使用します。
  論文  参考訳（メタデータ） (2021-04-10T15:52:39Z)

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。