論文の概要: Force-Free Molecular Dynamics Through Autoregressive Equivariant Networks
- arxiv url: http://arxiv.org/abs/2503.23794v1
- Date: Mon, 31 Mar 2025 07:14:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-01 14:32:33.783707
- Title: Force-Free Molecular Dynamics Through Autoregressive Equivariant Networks
- Title（参考訳）: 自己回帰同変ネットワークによる無力分子動力学
- Authors: Fabian L. Thiemann, Thiago Reschützegger, Massimiliano Esposito, Tseden Taddese, Juan D. Olarte-Plata, Fausto Martelli,
- Abstract要約: 我々は、自動回帰メッセージパッシングネットワークに基づく転送可能でデータ効率のよいフレームワークであるTrajCastを紹介した。
われわれのフレームワークは、小さな分子、結晶性物質、バルク液体など、さまざまなシステムにまたがってベンチマークを行っている。
システムによっては、TrajCast は従来の MD のタイムステップよりも最大30倍の間隔で予測でき、4000原子以上の固体に対して1日15 ns以上の軌道データを生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Molecular dynamics (MD) simulations play a crucial role in scientific research. Yet their computational cost often limits the timescales and system sizes that can be explored. Most data-driven efforts have been focused on reducing the computational cost of accurate interatomic forces required for solving the equations of motion. Despite their success, however, these machine learning interatomic potentials (MLIPs) are still bound to small time-steps. In this work, we introduce TrajCast, a transferable and data-efficient framework based on autoregressive equivariant message passing networks that directly updates atomic positions and velocities lifting the constraints imposed by traditional numerical integration. We benchmark our framework across various systems, including a small molecule, crystalline material, and bulk liquid, demonstrating excellent agreement with reference MD simulations for structural, dynamical, and energetic properties. Depending on the system, TrajCast allows for forecast intervals up to $30\times$ larger than traditional MD time-steps, generating over 15 ns of trajectory data per day for a solid with more than 4,000 atoms. By enabling efficient large-scale simulations over extended timescales, TrajCast can accelerate materials discovery and explore physical phenomena beyond the reach of traditional simulations and experiments. An open-source implementation of TrajCast is accessible under https://github.com/IBM/trajcast.
- Abstract（参考訳）: 分子動力学(MD)シミュレーションは科学研究において重要な役割を果たす。
しかし、その計算コストは、探索可能な時間スケールとシステムサイズを制限することが多い。
データ駆動のほとんどの取り組みは、運動方程式を解くのに必要な正確な原子間力の計算コストの削減に焦点が当てられている。
しかし、それらの成功にもかかわらず、これらの機械学習原子間ポテンシャル(MLIP)は依然として小さな時間ステップに縛られている。
本稿では、原子位置を直接更新し、従来の数値積分による制約を緩和する自動回帰同変メッセージパッシングネットワークに基づく、転送可能でデータ効率のよいフレームワークであるTrajCastを紹介する。
我々は, 分子, 結晶材料, バルク液体など, 様々なシステムにまたがってフレームワークをベンチマークし, 構造, 動的, エネルギー特性に関するMDシミュレーションと良好な一致を示した。
システムによっては、TrajCastは従来のMDタイムステップよりも30\times$の予測間隔を可能にし、4000以上の原子を持つ固体に対して1日15 ns以上の軌道データを生成する。
長期にわたって効率的な大規模なシミュレーションを可能にすることで、TrajCastは材料発見を加速し、従来のシミュレーションや実験の範囲を超えて物理的現象を探索することができる。
TrajCastのオープンソース実装はhttps://github.com/IBM/trajcastで利用できる。
関連論文リスト
- GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - Force-Guided Bridge Matching for Full-Atom Time-Coarsened Dynamics of Peptides [17.559471937824767]
我々は、FBM(Force-Guided Bridge Matching)と呼ばれる条件付き生成モデルを提案する。
FBMはフル原子時間粗大化力学を学習し、ボルツマン制約分布を目標とする。
ペプチドからなる2つのデータセットの実験は、包括的メトリクスの観点から、我々の優位性を検証する。
論文 参考訳（メタデータ） (2024-08-27T15:07:27Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$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) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - Simulate Time-integrated Coarse-grained Molecular Dynamics with
Multi-Scale Graph Networks [4.444748822792469]
学習に基づく力場はアブ・イニシアトMDシミュレーションの高速化に大きな進歩を遂げているが、現実の多くのアプリケーションでは不十分である。
非常に大きな時間ステップで、粗粒MDを直接シミュレートするマルチスケールグラフニューラルネットワークを学習することで、これらの課題に対処することを目指している。
論文 参考訳（メタデータ） (2022-04-21T18:07:08Z) - Graph Neural Networks Accelerated Molecular Dynamics [0.0]
我々は,高速かつ正確な力予測を実現するGNN加速分子ダイナミクス(GAMD)モデルを開発した。
その結果,GAMDはレナード・ジョーンズ(LJ)粒子と水(LJ+静電気)という2つの典型的な分子系の力学を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-12-06T22:11:00Z) - Learning Large-Time-Step Molecular Dynamics with Graph Neural Networks [14.388196138756195]
グラフニューラルネットワーク(GNN)に基づくモデルMDNetを導入し、座標と運動量の進化を大きな時間ステップで予測する。
4000原子系におけるMDNetの性能を実測し, MDNetが良好な平衡特性と輸送特性を予測可能であることを示す。
論文 参考訳（メタデータ） (2021-11-30T07:32:39Z) - ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。
提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文 参考訳（メタデータ） (2021-03-02T03:09:06Z) - Alternating ConvLSTM: Learning Force Propagation with Alternate State
Updates [29.011464047344614]
本稿では, 変形可能な物体の力伝達機構をモデル化した交互畳み込み長短期記憶(Alt-ConvLSTM)を提案する。
数値PDE解法のフォワード法において,この手法が第1項と第2項の交互更新を模倣することを示す。
ヒト軟組織シミュレーションにおけるAlt-ConvLSTMの有効性を検討した。
論文 参考訳（メタデータ） (2020-06-14T06:43:33Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。
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。