Fugu-MT 論文翻訳(概要): Accelerating Long-Term Molecular Dynamics with Physics-Informed Time-Series Forecasting

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

i-PhysGaussian: Implicit Physical Simulation for 3D Gaussian Splatting [60.46736489360263]
i-PhysGaussian は 3D Gaussian Splatting (3DGS) と暗黙のMaterial Point Method (MPM) を結合するフレームワークである。明示的な方法とは異なり、我々の解は運動量-平衡残差を最小化することでステップの終了状態を得る。結果は、i-PhysGaussianは明示的なベースラインよりも最大20倍の時間ステップで安定性を維持することを示した。
論文参考訳（メタデータ） (2026-02-19T06:38:35Z)
Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
論文参考訳（メタデータ） (2026-02-11T02:00:25Z)
From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures [12.68400434984463]
MLIPは量子ポテンシャルエネルギー表面の物理的滑らかさを再現することができない。マイクロカノニカル分子動力学のような既存の評価は計算に高価であり、主に近平衡状態を研究する。 MLIPの評価基準を改善するためにBSCT(Band Smoothness Characterization Test)を導入する。
論文参考訳（メタデータ） (2026-02-04T18:50:10Z)
Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
論文参考訳（メタデータ） (2026-02-02T14:13:28Z)
Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文参考訳（メタデータ） (2025-10-20T17:56:01Z)
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)
PINP: Physics-Informed Neural Predictor with latent estimation of fluid flows [11.102585080028945]
そこで本研究では,物理量の結合を予測プロセスに組み込む物理インフォームドラーニング手法を提案する。物理方程式を組み込むことで,時間外挿と空間一般化能力を示す。
論文参考訳（メタデータ） (2025-04-08T14:11:01Z)
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。