論文の概要: PINN-MEP: Continuous Neural Representations for Minimum-Energy Path Discovery in Molecular Systems
- arxiv url: http://arxiv.org/abs/2504.16381v2
- Date: Mon, 28 Apr 2025 12:15:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:52.986841
- Title: PINN-MEP: Continuous Neural Representations for Minimum-Energy Path Discovery in Molecular Systems
- Title(参考訳): PINN-MEP:分子系における最小エネルギー経路探索のための連続神経表現
- Authors: Magnus Petersen, Roberto Covino,
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)を用いた連続最適化問題として遷移経路生成を再構成する手法を提案する。
遷移経路を暗黙的な神経機能として表現することにより、高価な経路サンプリングを必要とせず、物理的に現実的な遷移経路の効率的な発見を可能にする。
ウシ膵トリプシンインヒビター(BPTI)を8,300個以上含む2種類のタンパク質に対して,本法の有効性を実証した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Characterizing conformational transitions in physical systems remains a fundamental challenge in the computational sciences. Traditional sampling methods like molecular dynamics (MD) or MCMC often struggle with the high-dimensional nature of molecular systems and the high energy barriers of transitions between stable states. While these transitions are rare events in simulation timescales, they often represent the most biologically significant processes - for example, the conformational change of an ion channel protein from its closed to open state, which controls cellular ion flow and is crucial for neural signaling. Such transitions in real systems may take milliseconds to seconds but could require months or years of continuous simulation to observe even once. We present a method that reformulates transition path generation as a continuous optimization problem solved through physics-informed neural networks (PINNs) inspired by string methods for minimum-energy path (MEP) generation. By representing transition paths as implicit neural functions and leveraging automatic differentiation with differentiable molecular dynamics force fields, our method enables the efficient discovery of physically realistic transition pathways without requiring expensive path sampling. We demonstrate our method's effectiveness on two proteins, including an explicitly hydrated bovine pancreatic trypsin inhibitor (BPTI) system with over 8,300 atoms.
- Abstract(参考訳): 物理系におけるコンフォーメーション遷移を特徴づけることは、計算科学における根本的な課題である。
分子動力学(MD)やMCMCのような伝統的なサンプリング法は、しばしば分子系の高次元の性質と安定状態間の遷移の高エネルギー障壁に苦しむ。
これらの遷移はシミュレーションの時間スケールではまれな現象であるが、しばしば最も生物学的に重要な過程を示す。例えば、イオンチャネルタンパク質の閉状態から開状態へのコンフォメーション変化は、細胞イオンの流れを制御し、神経シグナル伝達に不可欠である。
実際のシステムにおけるそのような遷移はミリ秒から秒を要することもあるが、一度でも観察するには数ヶ月や数年の連続的なシミュレーションが必要である。
本稿では,最小エネルギー経路(MEP)生成のための弦法に着想を得た物理インフォームドニューラルネットワーク(PINN)を用いて,連続的な最適化問題として遷移経路生成を再構成する手法を提案する。
遷移経路を暗黙的な神経機能として表現し, 分子動力学力場による自動微分を活用することにより, 高価な経路サンプリングを必要とせず, 物理的に現実的な遷移経路の効率的な発見を可能にする。
ウシ膵トリプシンインヒビター(BPTI)を8,300個以上含む2種類のタンパク質に対して,本法の有効性を実証した。
関連論文リスト
- Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。
適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
論文 参考訳(メタデータ) (2024-11-01T12:59:25Z) - Transition Path Sampling with Improved Off-Policy Training of Diffusion Path Samplers [10.210248065533133]
本稿では,拡散経路サンプリング問題に対処するために拡散経路サンプリング器(DPS)を訓練する新しい手法を提案する。
DPSにより誘導される経路分布と遷移経路分布との対数分散を最小化することにより、遷移経路分布からの償却サンプリングとして問題を再構築する。
我々は、TPS-DPSと呼ばれる我々のアプローチを、合成系、小ペプチド、高速折りたたみタンパク質で広範囲に評価し、既存のベースラインよりも現実的で多様な遷移経路を生み出すことを実証した。
論文 参考訳(メタデータ) (2024-05-30T11:32:42Z) - Learning and Controlling Silicon Dopant Transitions in Graphene using
Scanning Transmission Electron Microscopy [58.51812955462815]
単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。
データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。
これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
論文 参考訳(メタデータ) (2023-11-21T21:51:00Z) - Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。
等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
論文 参考訳(メタデータ) (2023-05-12T04:12:04Z) - Enhanced Sampling of Configuration and Path Space in a Generalized
Ensemble by Shooting Point Exchange [71.49868712710743]
長寿命状態間の遷移によって引き起こされる稀な事象をシミュレートする新しい手法を提案する。
このスキームは遷移経路サンプリングシミュレーションの効率を大幅に向上させる。
力学を歪ませることなく、分子過程の熱力学、動力学、反応座標に関する情報を得る。
論文 参考訳(メタデータ) (2023-02-17T08:41:31Z) - Stochastic Optimal Control for Collective Variable Free Sampling of
Molecular Transition Paths [60.254555533113674]
分子系の2つの準安定状態間の遷移経路をサンプリングする問題を考察する。
本稿では,その遷移をサンプリングする機械学習手法を提案する。
論文 参考訳(メタデータ) (2022-06-27T14:01:06Z) - 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) - Generative methods for sampling transition paths in molecular dynamics [0.0]
1つの準安定状態と他の状態とをリンクする遷移経路のシミュレーションは、直接数値法により困難である。
本稿では,変分オートエンコーダなどの生成モデルに基づくサンプリング手法と,強化学習に基づく重要サンプリング手法について検討する。
論文 参考訳(メタデータ) (2022-05-05T17:50:10Z) - Sampling Rare Conformational Transitions with a Quantum Computer [0.0]
本稿では,古典的な量子コンピュータ上に実装された機械学習アルゴリズムとMDシミュレーションを紹介する。
我々は、分子構成の小さなセットに基づいて、システムの力学の厳密な低分解能表現を導出する。
この結果は,機械学習と量子コンピューティングを統合するためのMDシミュレーションの新しいパラダイムを提供する。
論文 参考訳(メタデータ) (2022-01-27T19:46:06Z) - Accelerated Simulations of Molecular Systems through Learning of their
Effective Dynamics [4.276697874428501]
本稿では,最大3桁のシミュレーションを行うための新しい枠組みを提案する。
ledは分子系の効果的なダイナミクスを学ぶ。
我々は、M"ueller-Brown電位、Trp Cageタンパク質、およびアラニンジペプチドにおけるLEDの有効性を実証する。
論文 参考訳(メタデータ) (2021-02-17T15:15:37Z) - Ultrafast viscosity measurement with ballistic optical tweezers [55.41644538483948]
非侵襲粘度測定は秒の積分時間を必要とする。
速度を最大20マイクロ秒まで改善した4つの命令を実演する。
光学式ツイーザにおける捕捉粒子の瞬時速度を用いてこれを実現する。
論文 参考訳(メタデータ) (2020-06-29T00:09:40Z)
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。
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。