論文の概要: TICA-Based Free Energy Matching for Machine-Learned Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2509.14600v1
• Date: Thu, 18 Sep 2025 04:22:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.056941
• Title: TICA-Based Free Energy Matching for Machine-Learned Molecular Dynamics
• Title（参考訳）: 機械学習分子動力学のためのTICAによる自由エネルギーマッチング
• Authors: Alexander Aghili, Andy Bruce, Daniel Sabo, Razvan Marinescu,
• Abstract要約: 損失関数に相補的なエネルギーマッチング項を導入する。 我々はCGSchNetモデルを用いてチグノリンタンパク質の枠組みを評価した。 エネルギーマッチングは統計学的に精度が向上することはなかったが、モデルが自由エネルギー表面を一般化する方法に顕著な傾向を示した。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular dynamics (MD) simulations provide atomistic insight into biomolecular systems but are often limited by high computational costs required to access long timescales. Coarse-grained machine learning models offer a promising avenue for accelerating sampling, yet conventional force matching approaches often fail to capture the full thermodynamic landscape as fitting a model on the gradient may not fit the absolute differences between low-energy conformational states. In this work, we incorporate a complementary energy matching term into the loss function. We evaluate our framework on the Chignolin protein using the CGSchNet model, systematically varying the weight of the energy loss term. While energy matching did not yield statistically significant improvements in accuracy, it revealed distinct tendencies in how models generalize the free energy surface. Our results suggest future opportunities to enhance coarse-grained modeling through improved energy estimation techniques and multi-modal loss formulations.
• Abstract（参考訳）: 分子動力学(MD)シミュレーションは、生体分子系の原子学的知見を提供するが、長い時間スケールにアクセスするのに必要な計算コストによって制限されることが多い。 粗粒の機械学習モデルはサンプリングを加速するための有望な道を提供するが、従来の力のマッチングアプローチは、勾配のモデルが低エネルギーのコンフォメーション状態の絶対的な違いに合わないため、完全な熱力学の景観を捉えるのに失敗することが多い。 本研究では、損失関数に相補的なエネルギーマッチング項を組み込む。 我々はCGSchNetモデルを用いてチグノリンタンパク質の分子構造を評価し,エネルギー損失項の重みを体系的に変化させた。 エネルギーマッチングは統計学的に精度が向上することはなかったが、モデルが自由エネルギー表面を一般化する方法に顕著な傾向を示した。 この結果から, エネルギー推定法と多モード損失定式化により, 粗粒度モデリングを向上する将来的機会が示唆された。

関連論文リスト

• Physics-aware generative models for turbulent fluid flows through energy-consistent stochastic interpolants [0.0]
  生成モデルは、テキスト、画像、ビデオなどの領域で顕著な成功を収めている。 本研究では, 生成モデルの流体力学への応用, 特に乱流シミュレーションについて検討する。 本稿では,物理制約を取り入れつつ確率的予測を可能にする補間子に基づく新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:29:01Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Neural Thermodynamic Integration: Free Energies from Energy-based Diffusion Models [19.871787625519513]
  我々は、トレーニング可能なニューラルネットワークで表されるアルケミカル経路に沿って熱力学積分(TI)を実行することを提案する。 本研究では、相互作用系と非相互作用系の間の時間依存ハミルトン補間をパラメトリズし、その勾配を最適化する。 すべての中間アンサンブルをサンプリングするエネルギーベース拡散モデルの能力により、単一の参照計算からTIを実行することができる。
  論文  参考訳（メタデータ） (2024-06-04T13:42:42Z)
• Energy Discrepancies: A Score-Independent Loss for Energy-Based Models [20.250792836049882]
  本稿では,スコアの計算や高価なマルコフ連鎖モンテカルロの計算に頼らない新しい損失関数であるEnergy Discrepancy (ED)を提案する。 EDは明示的なスコアマッチングと負のログ類似損失に異なる限界でアプローチし,両者を効果的に補間することを示した。
  論文  参考訳（メタデータ） (2023-07-12T19:51:49Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Towards Conditional Generation of Minimal Action Potential Pathways for Molecular Dynamics [10.849520181650131]
  我々はTorchMDから計算したポテンシャルエネルギーを条件付き生成フレームワークに導入する。 タンパク質のヘリックス$rightarrow$coil構造間の変換の低電位エネルギー経路を構築する。 分子配置のポテンシャルエネルギーによって動機付けられた条件付き生成モデルに損失関数を追加する方法を示す。
  論文  参考訳（メタデータ） (2021-11-28T05:17:47Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• No MCMC for me: Amortized sampling for fast and stable training of energy-based models [62.1234885852552]
  エネルギーベースモデル(EBM)は、不確実性を表す柔軟で魅力的な方法である。 本稿では,エントロピー規則化ジェネレータを用いてEMMを大規模に訓練し,MCMCサンプリングを記憶する簡単な方法を提案する。 次に、最近提案されたジョイント・エナジー・モデル(JEM)に推定器を適用し、元の性能と高速で安定したトレーニングとを一致させる。
  論文  参考訳（メタデータ） (2020-10-08T19:17:20Z)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。