論文の概要: ATOM: A Pretrained Neural Operator for Multitask Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2510.05482v1
• Date: Tue, 07 Oct 2025 00:56:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.042082
• Title: ATOM: A Pretrained Neural Operator for Multitask Molecular Dynamics
• Title（参考訳）: ATOM:マルチタスク分子動力学のための事前訓練型ニューラル演算子
• Authors: Luke Thompson, Davy Guan, Dai Shi, Slade Matthews, Junbin Gao, Andi Han,
• Abstract要約: Atomistic Transformer Operator for Molecules (ATOM) はマルチタスク分子動力学のための事前訓練されたトランスフォーマーニューラル演算子である。 ATOMは、確立したシングルタスクベンチマークで最先端のパフォーマンスを達成する。 ATOMは、様々な時間ホリゾンにまたがる無見えない分子への例外的なゼロショット一般化を示す。
• 参考スコア（独自算出の注目度）: 36.272506910258606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular dynamics (MD) simulations underpin modern computational drug dis- covery, materials science, and biochemistry. Recent machine learning models provide high-fidelity MD predictions without the need to repeatedly solve quantum mechanical forces, enabling significant speedups over conventional pipelines. Yet many such methods typically enforce strict equivariance and rely on sequential rollouts, thus limiting their flexibility and simulation efficiency. They are also com- monly single-task, trained on individual molecules and fixed timeframes, which restricts generalization to unseen compounds and extended timesteps. To address these issues, we propose Atomistic Transformer Operator for Molecules (ATOM), a pretrained transformer neural operator for multitask molecular dynamics. ATOM adopts a quasi-equivariant design that requires no explicit molecular graph and employs a temporal attention mechanism, allowing for the accurate parallel decod- ing of multiple future states. To support operator pretraining across chemicals and timescales, we curate TG80, a large, diverse, and numerically stable MD dataset with over 2.5 million femtoseconds of trajectories across 80 compounds. ATOM achieves state-of-the-art performance on established single-task benchmarks, such as MD17, RMD17 and MD22. After multitask pretraining on TG80, ATOM shows exceptional zero-shot generalization to unseen molecules across varying time hori- zons. We believe ATOM represents a significant step toward accurate, efficient, and transferable molecular dynamics models
• Abstract（参考訳）: 分子動力学(MD)シミュレーションは、現代の計算薬の脱カバー、材料科学、生化学の基盤となっている。 最近の機械学習モデルは、量子力学的力を繰り返し解くことなく、高忠実度MD予測を提供し、従来のパイプラインよりも大幅にスピードアップできる。 しかし、そのような方法の多くは典型的には厳密な等価性を強制し、シーケンシャルなロールアウトに依存するため、柔軟性とシミュレーション効率が制限される。 また、個々の分子や固定された時間枠で訓練された、単一の単一タスクの集合でもあり、一般化は目に見えない化合物や拡張された時間ステップに制限される。 これらの問題に対処するために、マルチタスク分子動力学のための事前訓練されたトランスフォーマーニューラル演算子であるATOM(Atomistic Transformer Operator for Molecules)を提案する。 ATOMは、明示的な分子グラフを必要としない準同変設計を採用し、時間的アテンション機構を採用し、複数の将来の状態の正確な並列デオード・イングを可能にする。 化学品や時間スケールでの事前学習を支援するため, 大規模で多種多様で数値的に安定なMDデータセットであるTG80を, 80種類の化合物に250万フェムト秒以上の軌道でキュレートした。 ATOMは、MD17, RMD17, MD22などの確立したシングルタスクベンチマークで最先端のパフォーマンスを達成する。 TG80でのマルチタスク事前訓練の後、ATOMは様々な時間ホリゾンをまたいだ異常なゼロショットの一般化を示す。 我々はATOMが正確な、効率的、伝達可能な分子動力学モデルに向けた重要なステップであると信じている。

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)
• 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)
• 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)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。