論文の概要: Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data
- arxiv url: http://arxiv.org/abs/2504.20940v2
- Date: Sun, 26 Oct 2025 13:00:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 22:08:13.723841
- Title: Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data
- Title（参考訳）: 分子動力学におけるエネルギーベース粗粒化--データを持たないフローベースフレームワーク
- Authors: Maximilian Stupp, P. S. Koutsourelakis,
- Abstract要約: 粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。
本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。
本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coarse-grained (CG) models provide an effective route to reducing the complexity of molecular simulations (MD), but conventional approaches depend heavily on long all-atom MD trajectories to adequately sample configurational space. This data dependence limits accuracy and generalizability, as unvisited configurations remain excluded from the resulting CG models. We introduce a fully data-free, generative framework for CG that directly targets the all-atom Boltzmann distribution. The model defines a structured latent space comprising slow collective variables, associated with multimodal marginal densities capturing metastable states, and fast variables, represented through simple, unimodal conditional distributions. A learnable, bijective map from latent space to atomistic coordinates enables the automatic and accurate reconstruction of molecular structures. Training relies solely on the interatomic potential and minimizes the reverse Kullback-Leibler (KL) divergence via an energy-based objective. To stabilize optimization and ensure mode coverage, we employ an adaptive tempering scheme that promotes the exploration of diverse configurations. Once trained, the model can generate independent, one-shot equilibrium samples at full atomic resolution. Validation on two synthetic systems, a double-well potential and a Gaussian mixture model, as well as on the benchmark alanine dipeptide, demonstrates that the method captures all relevant modes of the Boltzmann distribution, reconstructs atomic configurations, and automatically learns physically meaningful CG representations. These results suggest a promising, data-free alternative to traditional CG techniques, offering both a principled approach to addressing the long-standing "chicken-and-egg" challenge in coarse-graining and an effective solution to the back-mapping problem by enabling accurate reconstruction of all-atom configurations.
- Abstract（参考訳）: 粗粒(CG)モデルは分子シミュレーション(MD)の複雑さを軽減する効果的な経路を提供するが、従来のアプローチは構成空間を適切にサンプリングするために長い全原子MD軌道に依存する。
このデータ依存は、観測されていない構成が結果のCGモデルから除外されているため、精度と一般化可能性を制限する。
本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。
このモデルは、メタスタブル状態をキャプチャするマルチモーダル境界密度に関連する遅い集合変数と、単純で単調な条件分布で表される高速変数からなる構造化潜在空間を定義する。
潜在空間から原子座標への学習可能な単射写像は、分子構造の自動的かつ正確な再構成を可能にする。
訓練は原子間ポテンシャルにのみ依存し、エネルギーベースの目的を通じて逆のクルバック・リーブラー(KL)の発散を最小限にする。
最適化を安定させ,モードカバレッジを確保するため,多種多様な構成の探索を促進する適応型テンパリング方式を採用した。
一度訓練すると、モデルは完全な原子分解能で独立して1発の平衡サンプルを生成することができる。
2つの合成系、二重井戸ポテンシャルとガウス混合モデル、およびベンチマークアラニンジペプチドの検証は、この手法がボルツマン分布のすべての関連するモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示した。
これらの結果は、従来のCG技術に代わる有望でデータフリーな代替手段であり、粗粒化における長年の「チキン・アンド・エッグ」課題に対処するための原則的なアプローチと、全原子構成の正確な再構築を可能にすることで、バックマッピング問題に対する効果的な解決策の両方を提供する。
関連論文リスト
- Wasserstein Convergence of Score-based Generative Models under Semiconvexity and Discontinuous Gradients [0.0]
スコアベース生成モデル(SGM)は、ガウス雑音で摂動させ、学習された拡散過程を通じてデノベーションすることで、データ分布を近似する。
我々は、潜在的に不連続な勾配を持つ半1次を対象とするSGMに対して、最初の非同相なワッサーシュタイン-2収束保証を確立する。
論文 参考訳（メタデータ） (2025-05-06T11:17:15Z) - Learning Distributions of Complex Fluid Simulations with Diffusion Graph Networks [23.196852966408482]
平衡分布から状態を直接サンプリングできるグラフベース潜在拡散モデルを提案する。
これにより、長くて高価な数値シミュレーションを実行することなく、効率的な流量統計のジオメトリを実現できる。
本手法を乱流中の3次元翼模型の圧力予測などの流体力学タスクに適用する。
論文 参考訳（メタデータ） (2025-03-19T13:04:39Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - Implicit Transfer Operator Learning: Multiple Time-Resolution Surrogates
for Molecular Dynamics [8.35780131268962]
シミュレーションプロセスのサロゲートを複数の時間分解能で学習するフレームワークであるImplict Transfer Operator (ITO) Learningを提案する。
また、全原子分子動力学を定量的にモデル化できる粗粒CG-SE3-ITOモデルを提案する。
論文 参考訳（メタデータ） (2023-05-29T12:19:41Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Latent Space Diffusion Models of Cryo-EM Structures [6.968705314671148]
我々は、CryoDRGNフレームワークにおいて、表現的で学習可能な拡散モデルをトレーニングする。
データ分布の正確なモデルを学習することにより、生成モデリング、サンプリング、分布解析のツールを解放する。
論文 参考訳（メタデータ） (2022-11-25T15:17:10Z) - GANs and Closures: Micro-Macro Consistency in Multiscale Modeling [0.0]
本稿では,物理シミュレーションとバイアス法を併用して,条件分布をサンプリングする手法を提案する。
このフレームワークは, マルチスケールSDE動的システムサンプリングを改善することができることを示すとともに, 複雑性が増大するシステムにも期待できることを示す。
論文 参考訳（メタデータ） (2022-08-23T03:45:39Z) - GeoDiff: a Geometric Diffusion Model for Molecular Conformation
Generation [102.85440102147267]
分子配座予測のための新しい生成モデルGeoDiffを提案する。
GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
論文 参考訳（メタデータ） (2022-03-06T09:47:01Z) - Normalizing flows for atomic solids [67.70049117614325]
原子状固体をモデル化するための正規化フローに基づく機械学習手法を提案する。
我々は,単原子水としてモデル化された立方晶および六角形氷のヘルムホルツ自由エネルギー推定と,切り離されたレナード・ジョーンズ系について報告する。
以上の結果から, 結晶形状に制約を加えることなく, 流動の正規化により, 固体の高品質な試料と自由エネルギー推定が可能であることが示唆された。
論文 参考訳（メタデータ） (2021-11-16T18:54:49Z) - Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである
MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。
一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
論文 参考訳（メタデータ） (2021-08-18T09:00:24Z) - Embedded-physics machine learning for coarse-graining and collective
variable discovery without data [3.222802562733787]
基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。
原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。
本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
論文 参考訳（メタデータ） (2020-02-24T10:28:41Z)
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。