論文の概要: Active Learning for Machine Learning Driven Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2509.17208v1
• Date: Sun, 21 Sep 2025 19:26:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.167257
• Title: Active Learning for Machine Learning Driven Molecular Dynamics
• Title（参考訳）: 機械学習駆動分子動力学のためのアクティブラーニング
• Authors: Kevin Bachelor, Sanya Murdeshwar, Daniel Sabo, Razvan Marinescu,
• Abstract要約: 機械学習された粗粒度(CG)電位は速いが、シミュレーションがアンサンプされた生体分子配座に達すると時間とともに劣化する。 分子動力学におけるCGニューラルネットワークの新たな能動的学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learned coarse grained (CG) potentials are fast, but degrade over time when simulations reach undersampled biomolecular conformations, and generating widespread all atom (AA) data to combat this is computationally infeasible. We propose a novel active learning framework for CG neural network potentials in molecular dynamics (MD). Building on the CGSchNet model, our method employs root mean squared deviation (RMSD) based frame selection from MD simulations in order to generate data on the fly by querying an oracle during the training of a neural network potential. This framework preserves CG level efficiency while correcting the model at precise, RMSD identified coverage gaps. By training CGSchNet, a coarse grained neural network potential, we empirically show that our framework explores previously unseen configurations and trains the model on unexplored regions of conformational space. Our active learning framework enables a CGSchNet model trained on the Chignolin protein to achieve a 33.05% improvement in the Wasserstein 1 (W1) metric in Time lagged Independent Component Analysis (TICA) space on an in house benchmark suite.
• Abstract（参考訳）: 機械学習された粗粒度(CG)ポテンシャルは高速であるが、シミュレーションがアンサンプされた生体分子配座に達すると時間とともに劣化し、これと戦うために広範囲にわたる全原子(AA)データを生成することは、計算的に不可能である。 本稿では,分子動力学(MD)におけるCGニューラルネットワークの新たな能動的学習フレームワークを提案する。 CGSchNetモデルに基づいて,本手法では,ニューラルネットワーク電位のトレーニング中にオラクルに問い合わせることにより,MDシミュレーションから,ルート平均二乗偏差(RMSD)に基づくフレーム選択を生成する。 このフレームワークは、CGレベルの効率を保ちながら、モデルを正確に修正し、RMSDはカバレッジギャップを識別する。 粗い粒度のニューラルネットワークポテンシャルであるCGSchNetをトレーニングすることにより、我々のフレームワークは、これまで見つからなかった構成を探索し、コンフォメーション空間の未探索領域でモデルをトレーニングすることを実証的に示す。 我々のアクティブラーニングフレームワークは、チグノリンタンパク質で訓練されたCGSchNetモデルにより、家庭内ベンチマークスイート上の独立成分分析(TICA)空間において、Wasserstein 1(W1)メトリックを33.05%改善することを可能にする。

関連論文リスト

• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
  差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。 本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。 経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
  論文  参考訳（メタデータ） (2025-06-20T00:17:14Z)
• Universally applicable and tunable graph-based coarse-graining for Machine learning force fields [2.562432568682358]
  本報告では, トランスファー可能な DL ベースの CG 力場アプローチを, 幅広いバイオシステムに対して提案する。 我々のCGアルゴリズムは、ハードコードされた規則に頼らず、最小の統計的雑音に最適化された粗粒度のシステムを出力するように調整されている。 我々の力場モデルは、MACEアーキテクチャに基づく最初のCG変種であり、カスタムデータセットで訓練されている。
  論文  参考訳（メタデータ） (2025-03-24T16:55:53Z)
• Learning a Neural Association Network for Self-supervised Multi-Object Tracking [39.65022597490719]
  本稿では,多目的追跡のためのデータアソシエーションを自己管理的に学習するための新しいフレームワークを提案する。 本稿では,検出と追跡を関連付けるためにニューラルネットワークをトレーニングする新しい予測(EM)アルゴリズムを提案する。 我々は,挑戦的なMOT17,MOT20,BDD100Kデータセットに対するアプローチを評価し,最先端の結果を得た。
  論文  参考訳（メタデータ） (2024-11-18T12:22:29Z)
• Kinematic analysis of structural mechanics based on convolutional neural network [1.5496299906248863]
  フレームワークとKerasディープラーニングプラットフォームに基づく畳み込みニューラルネットワークモデルを構築した。 モデルは、トレーニングセット、検証セット、テストセットで100%精度を達成する。 可視化技術を用いて、畳み込みニューラルネットワークがどのように構造的特徴を学び、認識するかを明らかにする。
  論文  参考訳（メタデータ） (2024-05-05T04:00:03Z)
• Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural Networks [8.736819316856748]
  本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。 曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。 また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T14:39:13Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• LCS: Learning Compressible Subspaces for Adaptive Network Compression at Inference Time [57.52251547365967]
  本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。 構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。 我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
  論文  参考訳（メタデータ） (2021-10-08T17:03:34Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Ensemble Learning of Coarse-Grained Molecular Dynamics Force Fields with a Kernel Approach [2.562811344441631]
  グラディエントドメイン機械学習(GDML)は、分子ポテンシャルと関連する力場を学習するための正確で効率的なアプローチである。 全原子シミュレーションデータから有効粗粒度(CG)モデルを学習するための応用を実証する。 アンサンブル学習と階層化サンプリングを用いて,データ効率とメモリ節約の代替案を提案する。
  論文  参考訳（メタデータ） (2020-05-04T21:20:01Z)

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。