論文の概要: Beyond Force Metrics: Pre-Training MLFFs for Stable MD Simulations

• arxiv url: http://arxiv.org/abs/2506.14850v1
• Date: Tue, 17 Jun 2025 00:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.427786
• Title: Beyond Force Metrics: Pre-Training MLFFs for Stable MD Simulations
• Title（参考訳）: Beyond Force Metrics: 安定MDシミュレーションのための事前トレーニングMLFF
• Authors: Shagun Maheshwari, Janghoon Ock, Adeesh Kolluru, Amir Barati Farimani, John R. Kitchin,
• Abstract要約: 機械学習力場(MLFF)は、初期分子動力学(MD)シミュレーションを高速化するための有望なソリューションとして登場した。 本研究では,グラフニューラルネットワークモデルであるGemNet-TをMLFFとして採用し,2つのトレーニング戦略について検討する。 安定なMDシミュレーションでは,低力率の誤差が必ずしも保証されないことがわかった。
• 参考スコア（独自算出の注目度）: 5.913538953257869
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine-learning force fields (MLFFs) have emerged as a promising solution for speeding up ab initio molecular dynamics (MD) simulations, where accurate force predictions are critical but often computationally expensive. In this work, we employ GemNet-T, a graph neural network model, as an MLFF and investigate two training strategies: (1) direct training on MD17 (10K samples) without pre-training, and (2) pre-training on the large-scale OC20 dataset followed by fine-tuning on MD17 (10K). While both approaches achieve low force mean absolute errors (MAEs), reaching 5 meV/A per atom, we find that lower force errors do not necessarily guarantee stable MD simulations. Notably, the pre-trained GemNet-T model yields significantly improved simulation stability, sustaining trajectories up to three times longer than the model trained from scratch. These findings underscore the value of pre-training on large, diverse datasets to capture complex molecular interactions and highlight that force MAE alone is not always a sufficient metric of MD simulation stability.
• Abstract（参考訳）: 機械学習力場(MLFF)は、正確な力予測が重要ではあるが、しばしば計算コストがかかる、ab initio molecular dynamics(MD)シミュレーションを高速化するための有望なソリューションとして登場した。 本研究では,グラフニューラルネットワークモデルであるGemNet-TをMLFFとして採用し,(1)事前トレーニングのないMD17(10Kサンプル)の直接トレーニング,(2)大規模OC20データセットの事前トレーニング,そしてMD17(10K)の微調整の2つのトレーニング戦略について検討する。 低力平均絶対誤差(MAE)は原子あたり5mV/Aに達するが、低力誤差は必ずしも安定したMDシミュレーションを保証するとは限らない。 特に、事前学習したGemNet-Tモデルでは、スクラッチからトレーニングしたモデルよりも最大3倍長い軌道を維持できるため、シミュレーション安定性が大幅に向上する。 これらの結果は、複雑な分子相互作用を捉えるために、大規模で多様なデータセットで事前トレーニングを行うことの価値を強調し、MAEだけではMDシミュレーションの安定性の十分な測定基準であるとは限らないことを強調した。

関連論文リスト

• FORT: Forward-Only Regression Training of Normalizing Flows [85.66894616735752]
  我々は,古典正規化フローを,精度の高い一段階生成モデルとして再考する。 本稿では,従来の最大度学習で用いられる可変式の変更を計算する必要のない,スケーラブルな学習目標を提案する。
  論文  参考訳（メタデータ） (2025-06-01T20:32:27Z)
• Improving the Stability of GNN Force Field Models by Reducing Feature Correlation [9.546348080237747]
  MDシミュレーションの安定性を高めるため,GNNFFモデルの特徴相関に基づく手法を提案する。 本稿では,GNNFFモデルの安定性を,特に計算オーバーヘッドが3%未満の分布外データにおいて著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-02-18T05:18:22Z)
• Physics-Informed Weakly Supervised Learning for Interatomic Potentials [17.165117198519248]
  機械学習型原子間ポテンシャル(MLIP)のトレーニングのための物理インフォームド・弱教師付きアプローチを導入する。 我々は、様々なベースラインモデルとベンチマークデータセットに対して、エネルギーと力の誤差を(しばしば2倍以下に)減らすことを示した。 我々のアプローチは、スパースで高精度なアブ・イニシアチブデータに基づく基礎モデルの微調整を改善する。
  論文  参考訳（メタデータ） (2024-07-23T12:49:04Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• 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)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Evaluating the Transferability of Machine-Learned Force Fields for Material Property Modeling [2.494740426749958]
  本稿では,機械学習力場の伝達性を評価するため,より包括的なベンチマークテストを提案する。 我々は、OpenMMパッケージと結合したグラフニューラルネットワーク(GNN)ベースの力場を用いて、ArgonのMDシミュレーションを実行する。 実験結果から, モデルが固体相の挙動を正確に把握できるのは, 固体相の構成がトレーニングデータセットに含まれる場合のみであることがわかった。
  論文  参考訳（メタデータ） (2023-01-10T00:25:48Z)
• Forces are not Enough: Benchmark and Critical Evaluation for Machine Learning Force Fields with Molecular Simulations [5.138982355658199]
  分子動力学(MD)シミュレーション技術は様々な自然科学応用に広く用いられている。 我々は、最先端(SOTA)ML FFモデルの集合をベンチマークし、特に、一般的にベンチマークされる力の精度が、関連するシミュレーション指標とうまく一致していないことを示す。
  論文  参考訳（メタデータ） (2022-10-13T17:59:03Z)
• 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)
• 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)

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。