論文の概要: Accelerating Long-Term Molecular Dynamics with Physics-Informed Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2510.01206v1
• Date: Tue, 16 Sep 2025 02:00:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 05:29:07.839143
• Title: Accelerating Long-Term Molecular Dynamics with Physics-Informed Time-Series Forecasting
• Title（参考訳）: 物理インフォームド時系列予測による長期分子動力学の高速化
• Authors: Hung Le, Sherif Abbas, Minh Hoang Nguyen, Van Dai Do, Huu Hiep Nguyen, Dung Nguyen,
• Abstract要約: 分子動力学(MD)シミュレーションは、物質科学と生物物理学における原子スケールプロセスを理解するために不可欠である。 従来の密度汎関数理論(DFT)法は計算コストが高く、長期シミュレーションの可能性を制限する。 本稿では,時系列予測問題としてMDシミュレーションを定式化する手法を提案する。
• 参考スコア（独自算出の注目度）: 7.705860755153007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient molecular dynamics (MD) simulation is vital for understanding atomic-scale processes in materials science and biophysics. Traditional density functional theory (DFT) methods are computationally expensive, which limits the feasibility of long-term simulations. We propose a novel approach that formulates MD simulation as a time-series forecasting problem, enabling advanced forecasting models to predict atomic trajectories via displacements rather than absolute positions. We incorporate a physics-informed loss and inference mechanism based on DFT-parametrised pair-wise Morse potential functions that penalize unphysical atomic proximity to enforce physical plausibility. Our method consistently surpasses standard baselines in simulation accuracy across diverse materials. The results highlight the importance of incorporating physics knowledge to enhance the reliability and precision of atomic trajectory forecasting. Remarkably, it enables stable modeling of thousands of MD steps in minutes, offering a scalable alternative to costly DFT simulations.
• Abstract（参考訳）: 効率的な分子動力学(MD)シミュレーションは、材料科学や生物物理学における原子スケールのプロセスを理解するのに不可欠である。 従来の密度汎関数理論(DFT)法は計算コストが高く、長期シミュレーションの可能性を制限する。 本稿では,MDシミュレーションを時系列予測問題として定式化する手法を提案する。 DFT-パラメトリドペアワイドモースポテンシャル関数に基づく物理インフォームドロスと推論機構を組み込み、非物理的原子間距離をペナルティ化し、物理的妥当性を強制する。 本手法は多種多様な材料におけるシミュレーション精度の標準基準を一貫して上回っている。 その結果,原子軌道予測の信頼性と精度を高めるために物理知識を取り入れることの重要性を強調した。 注目すべきは、数千のMDステップを数分で安定したモデリングを可能にし、コストのかかるDFTシミュレーションに代わるスケーラブルな代替手段を提供することだ。

関連論文リスト

• FlashMD: long-stride, universal prediction of molecular dynamics [4.10341947149624]
  我々は,通常のMD時間ステップよりも1～2桁長いストライド上の位置とモーメントの進化を予測する手法であるFlashMDを提案する。 システム固有モデルと汎用モデルの両方を用いて, 平衡特性と時間依存特性の再現におけるFlashMDの精度を検証した。
  論文  参考訳（メタデータ） (2025-05-25T22:34:31Z)
• Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
  この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。 HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2025-05-16T14:40:56Z)
• Force-Guided Bridge Matching for Full-Atom Time-Coarsened Dynamics of Peptides [17.559471937824767]
  我々は、FBM(Force-Guided Bridge Matching)と呼ばれる条件付き生成モデルを提案する。 FBMはフル原子時間粗大化力学を学習し、ボルツマン制約分布を目標とする。 ペプチドからなる2つのデータセットの実験は、包括的メトリクスの観点から、我々の優位性を検証する。
  論文  参考訳（メタデータ） (2024-08-27T15:07:27Z)
• Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
  本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。 提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
  論文  参考訳（メタデータ） (2024-05-31T20:05:17Z)
• 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)
• 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。