論文の概要: Artificial Intelligence for Direct Prediction of Molecular Dynamics Across Chemical Space

• arxiv url: http://arxiv.org/abs/2505.16301v1
• Date: Thu, 22 May 2025 06:56:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.098889
• Title: Artificial Intelligence for Direct Prediction of Molecular Dynamics Across Chemical Space
• Title（参考訳）: 化学空間における分子動力学の直接予測のための人工知能
• Authors: Fuchun Ge, Pavlo O. Dral,
• Abstract要約: MDtrajNet-1は化学空間を横断するMD軌道を直接生成する基礎的AIモデルである。 モデルの柔軟な設計は、異なる統計アンサンブル、境界条件、相互作用タイプを含む様々なアプリケーションシナリオをサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular dynamics (MD) is a powerful tool for exploring the behavior of atomistic systems, but its reliance on sequential numerical integration limits simulation efficiency. We present MDtrajNet-1, a foundational AI model that directly generates MD trajectories across chemical space, bypassing force calculations and integration. This approach accelerates simulations by up to two orders of magnitude compared to traditional MD, even those enhanced by machine-learning interatomic potentials. MDtrajNet-1 combines equivariant neural networks with a Transformer-based architecture to achieve strong accuracy and transferability in predicting long-time trajectories for both known and unseen systems. Remarkably, the errors of the trajectories generated by MDtrajNet-1 for various molecular systems are close to those of the conventional ab initio MD. The model's flexible design supports diverse application scenarios, including different statistical ensembles, boundary conditions, and interaction types. By overcoming the intrinsic speed barrier of conventional MD, MDtrajNet-1 opens new frontiers in efficient and scalable atomistic simulations.
• Abstract（参考訳）: 分子動力学(MD)は原子系の挙動を探索する強力なツールであるが、逐次的な数値積分によるシミュレーションの効率化に依存している。 MDtrajNet-1は、化学空間をまたいだMD軌道を直接生成し、力計算と積分をバイパスする基礎的AIモデルである。 このアプローチは、機械学習の原子間ポテンシャルによって強化されたものでさえも、従来のMDと比較して最大2桁のシミュレーションを加速する。 MDtrajNet-1は、同変ニューラルネットワークとTransformerベースのアーキテクチャを組み合わせることで、既知のシステムと見えないシステムの両方の長時間の軌跡を予測する上で、高い精度と転送性を実現する。 MDtrajNet-1による様々な分子系に対する軌道の誤差は、従来のab initio MDに近い。 モデルの柔軟な設計は、異なる統計アンサンブル、境界条件、相互作用タイプを含む様々なアプリケーションシナリオをサポートする。 従来のMDの固有の速度障壁を克服することで、MDtrajNet-1は効率的でスケーラブルな原子学シミュレーションにおいて新しいフロンティアを開放する。

関連論文リスト

• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• Force-Free Molecular Dynamics Through Autoregressive Equivariant Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2025-03-31T07:14:32Z)
• Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 計算時間と空間複雑度はそれぞれ、列長に関して立方体と二次体から線形へと減少する。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• 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)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
  ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。 様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
  論文  参考訳（メタデータ） (2022-08-07T09:02:18Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• 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)

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。