論文の概要: Universally applicable and tunable graph-based coarse-graining for Machine learning force fields

• arxiv url: http://arxiv.org/abs/2504.01973v1
• Date: Mon, 24 Mar 2025 16:55:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-06 06:33:37.028371
• Title: Universally applicable and tunable graph-based coarse-graining for Machine learning force fields
• Title（参考訳）: 機械学習力場に対する普遍的適用性と調整可能なグラフベース粗粒化
• Authors: Christoph Brunken, Sebastien Boyer, Mustafa Omar, Martin Maarand, Olivier Peltre, Solal Attias, Bakary N'tji Diallo, Anastasia Markina, Olaf Othersen, Oliver Bent,
• Abstract要約: 本報告では, トランスファー可能な DL ベースの CG 力場アプローチを, 幅広いバイオシステムに対して提案する。 我々のCGアルゴリズムは、ハードコードされた規則に頼らず、最小の統計的雑音に最適化された粗粒度のシステムを出力するように調整されている。 我々の力場モデルは、MACEアーキテクチャに基づく最初のCG変種であり、カスタムデータセットで訓練されている。
• 参考スコア（独自算出の注目度）: 2.562432568682358
• License:
• Abstract: Coarse-grained (CG) force field methods for molecular systems are a crucial tool to simulate large biological macromolecules and are therefore essential for characterisations of biomolecular systems. While state-of-the-art deep learning (DL)-based models for all-atom force fields have improved immensely over recent years, we observe and analyse significant limitations of the currently available approaches for DL-based CG simulations. In this work, we present the first transferable DL-based CG force field approach (i.e., not specific to only one narrowly defined system type) applicable to a wide range of biosystems. To achieve this, our CG algorithm does not rely on hard-coded rules and is tuned to output coarse-grained systems optimised for minimal statistical noise in the ground truth CG forces, which results in significant improvement of model training. Our force field model is also the first CG variant that is based on the MACE architecture and is trained on a custom dataset created by a new approach based on the fragmentation of large biosystems covering protein, RNA and lipid chemistry. We demonstrate that our model can be applied in molecular dynamics simulations to obtain stable and qualitatively accurate trajectories for a variety of systems, while also discussing cases for which we observe limited reliability.
• Abstract（参考訳）: 分子系の粗粒化(CG)力場法は、大きな生体高分子をシミュレートする重要なツールであり、したがって生体分子系の特性化に必須である。 近年,全原子力場のための最先端深層学習(DL)モデルは大幅に改善されているが,現在利用可能なDLベースのCGシミュレーションのアプローチの重大な制限を観察し分析している。 本研究は, 生体系に適応する最初のトランスファー可能な DL ベースの CG 力場アプローチ(狭義のシステムタイプのみに特化しない)を提案する。 これを実現するため,我々のCGアルゴリズムは厳密な規則に頼らず,基礎的真理CG力の最小統計雑音に最適化された粗い粒度のシステムを出力するように調整し,モデルトレーニングを大幅に改善する。 我々の力場モデルは、MACEアーキテクチャに基づく最初のCG変異体であり、タンパク質、RNA、脂質化学を包含する大規模なバイオシステムの断片化に基づく新しいアプローチによって作成されたカスタムデータセットに基づいて訓練されている。 本研究では,分子動力学シミュレーションに応用して,様々なシステムに対して安定かつ定性的に正確な軌道を求めるとともに,信頼性が低い場合についても考察する。

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)
• HEroBM: a deep equivariant graph neural network for universal backmapping from coarse-grained to all-atom representations [0.0]
  粗粒度(CG)技術は大規模システムをサンプリングするための貴重なツールとして登場した。 彼らは、調査プロセスの解読において大きな関連性を持つ可能性のある、原子論的な詳細を犠牲にしている。 推奨されるアプローチは、重要なCGコンホメーションを特定し、それらをバックマッピング法で処理し、原子座標を検索することである。 深部等変グラフニューラルネットワークと階層的アプローチを用いて高分解能バックマッピングを実現する,動的でスケーラブルなHEroBMを提案する。
  論文  参考訳（メタデータ） (2024-04-25T13:54:31Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• Navigating protein landscapes with a machine-learned transferable coarse-grained model [29.252004942896875]
  同様の予測性能を持つ粗粒度(CG)モデルは、長年にわたる課題である。 ケミカルトランスポータビリティを持つボトムアップCG力場を開発し,新しい配列の分子動力学に利用することができる。 本モデルでは, 折り畳み構造, 中間体, メタスタブル折り畳み型および折り畳み型流域, 内在的に不規則なタンパク質のゆらぎの予測に成功している。
  論文  参考訳（メタデータ） (2023-10-27T17:10:23Z)
• Statistically Optimal Force Aggregation for Coarse-Graining Molecular Dynamics [55.41644538483948]
  粗粒(CG)モデルは、原子論的な分子動力学で可能な以上の大きな分子複合体をシミュレートする可能性がある。 CG力場を学習するための広く使われている方法論は、全原子分子動力学からCG表現への力のマッピングと、平均してCG力場とマッチングするものである。 我々は、全原子力のCG表現へのマッピングには柔軟性があり、最もよく使われるマッピング手法は統計的に非効率的であり、全原子シミュレーションにおける制約の存在においても、潜在的に誤りであることを示した。
  論文  参考訳（メタデータ） (2023-02-14T14:35:39Z)
• Two for One: Diffusion Models and Force Fields for Coarse-Grained Molecular Dynamics [15.660348943139711]
  我々は、スコアベース生成モデル、力場、分子動力学の接続を利用して、トレーニング中に力入力を必要とせずにCG力場を学習する。 従来よりも大幅に簡易化されたトレーニングセットアップを持つ一方で,本手法がいくつかの小～中規模のタンパク質シミュレーションの性能向上につながることを実証した。
  論文  参考訳（メタデータ） (2023-02-01T17:09:46Z)
• Reinforcement Learning for Molecular Dynamics Optimization: A Stochastic Pontryagin Maximum Principle Approach [3.0077933778535706]
  分子動力学を最適化する新しい強化学習フレームワークを提案する。 われわれのフレームワークは、最終的な分子構成だけでなく、軌道全体に焦点を当てている。 本手法は, 創薬や分子設計などの分野への応用に適している。
  論文  参考訳（メタデータ） (2022-12-06T20:44:24Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• 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)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Ensemble Learning of Coarse-Grained Molecular Dynamics Force Fields with a Kernel Approach [2.562811344441631]
  グラディエントドメイン機械学習(GDML)は、分子ポテンシャルと関連する力場を学習するための正確で効率的なアプローチである。 全原子シミュレーションデータから有効粗粒度(CG)モデルを学習するための応用を実証する。 アンサンブル学習と階層化サンプリングを用いて,データ効率とメモリ節約の代替案を提案する。
  論文  参考訳（メタデータ） (2020-05-04T21:20:01Z)

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。