Fugu-MT 論文翻訳(概要): On the Connection Between Diffusion Models and Molecular Dynamics

論文の概要: On the Connection Between Diffusion Models and Molecular Dynamics

arxiv url: http://arxiv.org/abs/2504.03187v1
Date: Fri, 04 Apr 2025 05:32:38 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-07 14:47:42.591346
Title: On the Connection Between Diffusion Models and Molecular Dynamics
Title（参考訳）: 拡散モデルと分子動力学の関係について
Authors: Liam Harcombe, Timothy T. Duignan,
Abstract要約: 拡散モデルのノイズ化は、安定な構成に付加されるノイズを取り除くためのトレーニングネットワークによってNNPにおいて有望であることが示されている。本稿では,従来の MD ソフトウェアパッケージを標準NNP アーキテクチャにインターフェースして実装する方法について述べる。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Neural Network Potentials (NNPs) have emerged as a powerful tool for modelling atomic interactions with high accuracy and computational efficiency. Recently, denoising diffusion models have shown promise in NNPs by training networks to remove noise added to stable configurations, eliminating the need for force data during training. In this work, we explore the connection between noise and forces by providing a new, simplified mathematical derivation of their relationship. We also demonstrate how a denoising model can be implemented using a conventional MD software package interfaced with a standard NNP architecture. We demonstrate the approach by training a diffusion-based NNP to simulate a coarse-grained lithium chloride solution and employ data duplication to enhance model performance.
Abstract（参考訳）: ニューラルネットワークポテンシャル(NNP)は、原子間相互作用を高精度かつ計算効率でモデル化するための強力なツールとして登場した。近年, 安定構成に付加されるノイズを除去し, トレーニング中の強制データを不要にするため, トレーニングネットワークによるNNPのノイズ拡散モデルが注目されている。本研究では, ノイズと力の関連性について検討し, それらの関係を数学的に簡易に導出した。また,従来の MD ソフトウェアパッケージを標準の NNP アーキテクチャで操作することで,デノベーションモデルをいかに実装できるかを示す。本研究では, 拡散型NNPを用いて塩化リチウム溶液の粗粒化をシミュレートし, データ複製を用いてモデル性能を向上させる手法を提案する。

関連論文リスト

Port-Hamiltonian Neural Networks with Output Error Noise Models [2.144088660722956]
ハミルトニアンニューラルネットワーク(HNN)は物理インフォームドディープラーニング手法の有望なクラスである。工学系への直接的応用は、外部入力の存在、散逸、騒音測定など、実用的な問題によってしばしば問題視される。本稿では,これらの実生活要因に対処するHNNの能力を高める新しい枠組みを提案する。
論文参考訳（メタデータ） (2025-02-20T10:33:21Z)
Bayesian Entropy Neural Networks for Physics-Aware Prediction [14.705526856205454]
本稿では,ベイズニューラルネットワーク(BNN)の予測に制約を加えるためのフレームワークであるBENNを紹介する。ベンは予測値だけでなく、その微分や分散を制約し、より堅牢で信頼性の高いモデル出力を保証できる。その結果、従来のBNNよりも大幅に改善され、現代の制約されたディープラーニング手法と比較して競争性能が向上した。
論文参考訳（メタデータ） (2024-07-01T07:00:44Z)
Adv-KD: Adversarial Knowledge Distillation for Faster Diffusion Sampling [2.91204440475204]
拡散確率モデル(DPM)は、深層生成モデルの強力なクラスとして登場した。それらは、サンプル生成中にシーケンシャルなデノイングステップに依存している。モデルアーキテクチャに直接位相を分解する新しい手法を提案する。
論文参考訳（メタデータ） (2024-05-31T08:19:44Z)
Fully Spiking Denoising Diffusion Implicit Models [61.32076130121347]
スパイキングニューラルネットワーク(SNN)は、超高速のニューロモルフィックデバイス上で走る能力のため、かなりの注目を集めている。本研究では,SNN内で拡散モデルを構築するために,拡散暗黙モデル (FSDDIM) を完全にスパイクする新しい手法を提案する。提案手法は,最先端の完全スパイク生成モデルよりも優れていることを示す。
論文参考訳（メタデータ） (2023-12-04T09:07:09Z)
Inverse-Dirichlet Weighting Enables Reliable Training of Physics Informed Neural Networks [2.580765958706854]
我々は、深層ニューラルネットワークのトレーニング中に、スケール不均衡を伴うマルチスケールダイナミクスから生じる障害モードを記述し、治療する。 PINNは、物理方程式モデルとデータとのシームレスな統合を可能にする、一般的な機械学習テンプレートである。逐次トレーニングを用いた逆モデリングでは,逆ディリクレ重み付けがPINNを破滅的忘れから保護することがわかった。
論文参考訳（メタデータ） (2021-07-02T10:01:37Z)
Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文参考訳（メタデータ） (2021-06-25T22:08:51Z)
Incorporating NODE with Pre-trained Neural Differential Operator for Learning Dynamics [73.77459272878025]
ニューラル微分演算子(NDO)の事前学習による動的学習における教師付き信号の強化を提案する。 NDOは記号関数のクラスで事前訓練され、これらの関数の軌跡サンプルとそれらの導関数とのマッピングを学習する。我々は,NDOの出力が,ライブラリの複雑さを適切に調整することで,基礎となる真理微分を適切に近似できることを理論的に保証する。
論文参考訳（メタデータ） (2021-06-08T08:04:47Z)
Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文参考訳（メタデータ） (2021-06-03T00:02:05Z)
Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文参考訳（メタデータ） (2020-06-16T18:45:20Z)
Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できるこのモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文参考訳（メタデータ） (2020-03-13T13:11:35Z)
Learning Generative Models using Denoising Density Estimators [29.068491722778827]
縮退密度推定器(DDE)に基づく新しい生成モデルを提案する。我々の主な貢献は、KL分割を直接最小化することで生成モデルを得る新しい技術である。実験結果から, 生成モデル学習における密度推定と競争性能が大幅に向上した。
論文参考訳（メタデータ） (2020-01-08T20:30:40Z)

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。