論文の概要: A Universal Deep Learning Force Field for Molecular Dynamic Simulation and Vibrational Spectra Prediction

• arxiv url: http://arxiv.org/abs/2510.04227v1
• Date: Sun, 05 Oct 2025 14:36:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.528245
• Title: A Universal Deep Learning Force Field for Molecular Dynamic Simulation and Vibrational Spectra Prediction
• Title（参考訳）: 分子動力学シミュレーションと振動スペクトル予測のための普遍的深層学習力場
• Authors: Shengjiao Ji, Yujin Zhang, Zihan Zou, Bin Jiang, Jun Jiang, Yi Luo, Wei Hu,
• Abstract要約: 我々は、スペクトル予測のための機械学習分子動力学(MLMD)シミュレーションを可能にするために、深部等変テンソルアテンションネットワーク(DetaNet)とベロシティ・バーレット積分器を統合する。 DetaNetベースのMD手法は,AIMDよりも最大3桁のスピードアップで,ほぼ実験的なスペクトル精度を実現する。 全体として、この研究は、高速で正確で広く適用可能な動的シミュレーションとIR/Ramanスペクトル予測を可能にする、普遍的な機械学習力場とフレームワークを確立する。
• 参考スコア（独自算出の注目度）: 24.66572813199126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and efficient simulation of infrared (IR) and Raman spectra is essential for molecular identification and structural analysis. Traditional quantum chemistry methods based on the harmonic approximation neglect anharmonicity and nuclear quantum effects, while ab initio molecular dynamics (AIMD) remains computationally expensive. Here, we integrate our deep equivariant tensor attention network (DetaNet) with a velocity-Verlet integrator to enable fast and accurate machine learning molecular dynamics (MLMD) simulations for spectral prediction. Trained on the QMe14S dataset containing energies, forces, dipole moments, and polarizabilities for 186,102 small organic molecules, DetaNet yields a universal and transferable force field with high-order tensor prediction capability. Using time-correlation functions derived from MLMD and ring-polymer molecular dynamics (RPMD) trajectories, we computed IR and Raman spectra that accurately reproduce anharmonic and nuclear quantum effects. Benchmark tests on isolated molecules, including polycyclic aromatic hydrocarbons, demonstrate that the DetaNet-based MD approach achieves near-experimental spectral accuracy with speedups up to three orders of magnitude over AIMD. Furthermore, the framework extends seamlessly to molecular and inorganic crystals, molecular aggregates, and biological macromolecules such as polypeptides with minimal fine-tuning. In all systems, DetaNet maintains high accuracy while significantly reducing computational cost. Overall, this work establishes a universal machine learning force field and tensor-aware MLMD framework that enable fast, accurate, and broadly applicable dynamic simulations and IR/Raman spectral predictions across diverse molecular and material systems.
• Abstract（参考訳）: 分子の同定と構造解析には、赤外(IR)とラマンスペクトルの精密かつ効率的なシミュレーションが不可欠である。 調和近似に基づく従来の量子化学法では、アンハーモニック性や核量子効果は無視されるが、ab initio molecular dynamics (AIMD) は計算的に高価である。 本稿では,スペクトル予測のための高速かつ正確な機械学習分子動力学(MLMD)シミュレーションを実現するために,深部等変テンソル注意ネットワーク(DetaNet)とベロシティ・バーレット積分器を統合する。 エネルギー、力、双極子モーメント、および186,102個の小さな有機分子の分極性を含むQMe14Sデータセットで訓練され、デタネットは高次テンソル予測能力を持つ普遍的で伝達可能な力場を得る。 MLMDおよび環高分子分子動力学(RPMD)軌道から得られた時間相関関数を用いて、不調和および核量子効果を正確に再現するIRおよびラマンスペクトルを計算した。 多環芳香族炭化水素を含む単離分子のベンチマーク試験は、デタネットに基づくMDアプローチがAIMDよりも最大3桁の速度でほぼ実験的なスペクトル精度を達成することを示した。 さらに、このフレームワークは、分子および無機結晶、分子集合体、および最小微調整のポリペプチドのような生体高分子にシームレスに拡張する。 全てのシステムにおいて、DetaNetは計算コストを大幅に削減しながら高い精度を維持している。 全体として、この研究は普遍的な機械学習力場とテンソルを意識したMLMDフレームワークを確立し、高速で正確で広く適用可能な動的シミュレーションと様々な分子・物質系にわたるIR/ラマンスペクトル予測を可能にする。

関連論文リスト

• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Active learning of Boltzmann samplers and potential energies with quantum mechanical accuracy [1.7633275579210346]
  我々は,強化サンプリングと深層生成モデルを組み合わせるアプローチと,機械学習ポテンシャルの能動的学習を併用したアプローチを開発する。 本手法を用いて, 医療・生物学分野における多種多様なシステム群に属する超小型の銀ナノクラスターの異性化について検討する。
  論文  参考訳（メタデータ） (2024-01-29T19:01:31Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Ultrafast Molecular Frame Quantum Tomography [0.0]
  動的多原子系のフル分子フレーム量子トモグラフィー(MFQT)の方法論を開発した。 MFQTは超高速分子動力学、情報処理、気象学、最適制御スキームの研究の新しいルートを提供する。
  論文  参考訳（メタデータ） (2023-03-06T23:55:21Z)
• ViSNet: an equivariant geometry-enhanced graph neural network with vector-scalar interactive message passing for molecules [69.05950120497221]
  本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。 提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
  論文  参考訳（メタデータ） (2022-10-29T07:12:46Z)
• 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)
• NNP/MM: Accelerating molecular dynamics simulations with machine learning potentials and molecular mechanic [38.50309739333058]
  ニューラルネットワーク電位(NNP)と分子力学(MM)を組み合わせたハイブリッド手法(NNP/MM)の最適化実装を提案する。 このアプローチは、小さな分子のようなシステムの一部をNNPを用いてモデル化し、残りのシステムにMMを用いて効率を向上する。 これにより, シミュレーション速度を5倍に向上し, 複合体毎の1マイクロ秒の同時サンプリングを実現し, この種のシミュレーションで報告された最長のシミュレーションとなった。
  論文  参考訳（メタデータ） (2022-01-20T10:57:20Z)
• Molecular spin qudits for quantum simulation of light-matter interactions [62.223544431366896]
  分子スピンキューディットは、物質と強く相互作用する光子場の量子力学をシミュレートする理想的なプラットフォームを提供する。 提案した分子量子シミュレータの基本単位は、マイクロ波パルスのみで制御されるスピン1/2とスピン$S$遷移金属イオンの単純な二量体で実現できる。
  論文  参考訳（メタデータ） (2021-03-17T15:03:12Z)
• Predicting molecular dipole moments by combining atomic partial charges and atomic dipoles [3.0980025155565376]
  高レベル結合クラスター理論を用いて計算した分子$boldsymbolmu$を再現するために、「MuML」モデルが組み合わされた。 校正委員会モデルを用いて予測の不確かさを確実に推定できることを実証する。
  論文  参考訳（メタデータ） (2020-03-27T14:35:37Z)

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。