論文の概要: Learning the action for long-time-step simulations of molecular dynamics

• arxiv url: http://arxiv.org/abs/2508.01068v1
• Date: Fri, 01 Aug 2025 21:01:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.697526
• Title: Learning the action for long-time-step simulations of molecular dynamics
• Title（参考訳）: 分子動力学の長期シミュレーションのための作用の学習
• Authors: Filippo Bigi, Michele Ceriotti,
• Abstract要約: 動作から導かれるMLインテグレータは,非構造保存ML予測器の病理挙動を除去することを示す。 本手法は,計算コストの低い直接予測器の補正として,反復的に適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The equations of classical mechanics can be used to model the time evolution of countless physical systems, from the astrophysical to the atomic scale. Accurate numerical integration requires small time steps, which limits the computational efficiency -- especially in cases such as molecular dynamics that span wildly different time scales. Using machine-learning (ML) algorithms to predict trajectories allows one to greatly extend the integration time step, at the cost of introducing artifacts such as lack of energy conservation and loss of equipartition between different degrees of freedom of a system. We propose learning data-driven structure-preserving (symplectic and time-reversible) maps to generate long-time-step classical dynamics, showing that this method is equivalent to learning the mechanical action of the system of interest. We show that an action-derived ML integrator eliminates the pathological behavior of non-structure-preserving ML predictors, and that the method can be applied iteratively, serving as a correction to computationally cheaper direct predictors.
• Abstract（参考訳）: 古典力学の方程式は、無数の物理系の時間進化を、天体物理学から原子スケールまでモデル化するために用いられる。 正確な数値積分は、計算効率を制限する小さな時間ステップを必要とする。特に、非常に異なる時間スケールにまたがる分子動力学のような場合。 機械学習(ML)アルゴリズムを用いて軌道を予測することで、エネルギー保存の欠如やシステムの自由度の違いによる均等性の喪失といったアーティファクトを導入するコストで、統合時間のステップを大幅に拡張することができる。 本研究では,データ駆動型構造保存マップ(シンプレクティック・タイムレバーシブル)を学習して,時間ステップの古典力学を生成する手法を提案する。 本研究では,非構造保存型ML予測器の病的挙動を除去し,計算コストの低い直接予測器の補正として,反復的に適用可能であることを示す。

関連論文リスト

• Enhancing Computational Efficiency in Multiscale Systems Using Deep Learning of Coordinates and Flow Maps [0.0]
  本稿では,マルチスケールシステムにおいて,ディープラーニング技術を用いて正確なタイムステッピング手法を構築する方法について述べる。 結果として得られるフレームワークは、より少ない計算コストで最先端の予測精度を達成する。
  論文  参考訳（メタデータ） (2024-04-28T14:05:13Z)
• Electronic excited states from physically-constrained machine learning [0.0]
  本稿では,実効ハミルトニアンの対称性適応MLモデルをトレーニングし,量子力学計算から電子励起を再現する統合モデリング手法を提案する。 結果として得られるモデルは、トレーニングされた分子よりもずっと大きく、より複雑な分子を予測できる。
  論文  参考訳（メタデータ） (2023-11-01T20:49:59Z)
• Learning Interatomic Potentials at Multiple Scales [1.2162698943818964]
  短時間のステップを使う必要性は、分子動力学(MD)シミュレーションの速度における鍵となる限界である。 本研究では,2つのMLIPを協調学習することにより,複雑な原子間相互作用のスケール分離を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-20T18:34:32Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Dynamic Bayesian Learning for Spatiotemporal Mechanistic Models [5.658544381300127]
  メカニスティック力学モデルのベイズ学習に対するアプローチを示す。 このような学習は、力学系の統計的エミュレーションから成り立っている。 エミュレートされた学習者は、ノイズの多いデータからシステムのトレーニングに使用することができる。
  論文  参考訳（メタデータ） (2022-08-12T23:17:46Z)
• Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
  本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。 本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。 その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
  論文  参考訳（メタデータ） (2022-07-28T19:59:14Z)
• Using Machine Learning to Anticipate Tipping Points and Extrapolate to Post-Tipping Dynamics of Non-Stationary Dynamical Systems [0.0]
  転倒点遷移と転倒後の長期行動を予測する機械学習タスクについて検討する。 本稿では,この課題に対して,ML手法が有効な結果が得られる範囲と,それらが失敗する条件について検討する。 本論文の主な結論は,非定常力学系の挙動を予測するためのMLベースのアプローチが有望なツールであるということである。
  論文  参考訳（メタデータ） (2022-07-01T16:06:12Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• Reduced Dynamics of Full Counting Statistics [0.0]
  数え上げ場の存在下での修正還元力学の理論を提示する。 本研究では, 減算力学から長寿命フルカウント統計値が効率的に得られることを示す。
  論文  参考訳（メタデータ） (2021-11-16T14:55:30Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)
• Time-Reversal Symmetric ODE Network [138.02741983098454]
  時間反転対称性は古典力学や量子力学においてしばしば保持される基本的な性質である。 本稿では,通常の微分方程式(ODE)ネットワークがこの時間反転対称性にどの程度よく適合しているかを測定する新しい損失関数を提案する。 時間反転対称性を完全に持たないシステムであっても, TRS-ODEN はベースラインよりも優れた予測性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-22T12:19:40Z)

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。