論文の概要: Enhanced Sampling for Efficient Learning of Coarse-Grained Machine Learning Potentials

• arxiv url: http://arxiv.org/abs/2510.11148v1
• Date: Mon, 13 Oct 2025 08:40:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.272069
• Title: Enhanced Sampling for Efficient Learning of Coarse-Grained Machine Learning Potentials
• Title（参考訳）: 粗粒機械学習ポテンシャルの効率的な学習のための強化サンプリング
• Authors: Weilong Chen, Franz Görlich, Paul Fuchs, Julija Zavadlav,
• Abstract要約: 我々は、データ生成の自由度に偏りを生じさせ、非偏りのあるポテンシャルに関して力を再計算する。 この戦略は、平衡データを生成するのに必要なシミュレーション時間を同時に短縮し、正しいPMFを保ちながら、遷移領域におけるサンプリングを強化する。 本研究は,CGの精度と信頼性を向上させるために,力マッチングのための改良されたサンプリングを有望な方向として活用することを支援する。
• 参考スコア（独自算出の注目度）: 2.8355616606687506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coarse-graining (CG) enables molecular dynamics (MD) simulations of larger systems and longer timescales that are otherwise infeasible with atomistic models. Machine learning potentials (MLPs), with their capacity to capture many-body interactions, can provide accurate approximations of the potential of mean force (PMF) in CG models. Current CG MLPs are typically trained in a bottom-up manner via force matching, which in practice relies on configurations sampled from the unbiased equilibrium Boltzmann distribution to ensure thermodynamic consistency. This convention poses two key limitations: first, sufficiently long atomistic trajectories are needed to reach convergence; and second, even once equilibrated, transition regions remain poorly sampled. To address these issues, we employ enhanced sampling to bias along CG degrees of freedom for data generation, and then recompute the forces with respect to the unbiased potential. This strategy simultaneously shortens the simulation time required to produce equilibrated data and enriches sampling in transition regions, while preserving the correct PMF. We demonstrate its effectiveness on the M\"uller-Brown potential and capped alanine, achieving notable improvements. Our findings support the use of enhanced sampling for force matching as a promising direction to improve the accuracy and reliability of CG MLPs.
• Abstract（参考訳）: 粗粒化(CG)は、より大きな系とそれ以外は原子モデルでは実現できない長い時間スケールの分子動力学(MD)シミュレーションを可能にする。 機械学習電位(MLP)は、多体相互作用を捉える能力を持ち、CGモデルにおける平均力(PMF)のポテンシャルの正確な近似を提供することができる。 現在のCG MLPは通常、力のマッチングによってボトムアップで訓練されるが、実際には熱力学的整合性を確保するために、不偏平衡ボルツマン分布からサンプリングされた構成に依存している。 この規約は2つの重要な制限を課している: 1つは十分に長い原子論的な軌道が収束するために必要であり、もう1つは、一度平衡されたとしても、遷移領域はサンプルが不足している。 これらの問題に対処するため,データ生成の自由度に偏りを呈するサンプリングを改良し,非偏りのあるポテンシャルについて再計算する。 この戦略は、平衡データを生成するのに必要なシミュレーション時間を同時に短縮し、正しいPMFを保ちながら、遷移領域におけるサンプリングを強化する。 M\"uller-Brown電位とキャップ付きアラニンに対して有効性を示し,顕著な改善が得られた。 本研究は,CG MLPの精度と信頼性を向上させるために,力マッチングのための改良されたサンプリングを有望な方向として活用することを支援する。

関連論文リスト

• Reframing Generative Models for Physical Systems using Stochastic Interpolants [45.16806809746592]
  生成モデルは物理系の強力なサロゲートとして現れ、精度、安定性、および/または統計的忠実度が向上した。 ほとんどのアプローチは、PDEや気候などの力学系における自己回帰予測タスクにおいて、最も効果的でない選択であるガウシアンを反復的に飾ることに依存している。 本研究では,様々な物理領域やタスクにまたがる生成モデルをベンチマークし,補間剤の役割を強調した。
  論文  参考訳（メタデータ） (2025-09-30T14:02:00Z)
• Beyond Force Metrics: Pre-Training MLFFs for Stable MD Simulations [5.913538953257869]
  機械学習力場(MLFF)は、初期分子動力学(MD)シミュレーションを高速化するための有望なソリューションとして登場した。 本研究では,グラフニューラルネットワークモデルであるGemNet-TをMLFFとして採用し,2つのトレーニング戦略について検討する。 安定なMDシミュレーションでは,低力率の誤差が必ずしも保証されないことがわかった。
  論文  参考訳（メタデータ） (2025-06-17T00:58:56Z)
• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework Without Data [0.0]
  本稿では,全原子ボルツマン分布を直接対象とする粗粒化のためのデータフリー生成フレームワークを提案する。 完全な潜在空間から全原子構成空間への潜在的に学習可能な単射写像は、分子構造の自動的かつ正確な再構築を可能にする。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• Scalable Equilibrium Sampling with Sequential Boltzmann Generators [60.00515282300297]
  Boltzmannジェネレータフレームワークを2つの重要なコントリビューションで拡張する。 1つ目は、全原子カルテシアン座標で直接動作する非常に効率的なトランスフォーマーベースの正規化フローである。 特に,連続モンテカルロの連続時間変種を用いて,流れサンプルの推論時スケーリングを行う。
  論文  参考訳（メタデータ） (2025-02-25T18:59:13Z)
• Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
  反復Denoising Energy Matching (iDEM) iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。 提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
  論文  参考訳（メタデータ） (2024-02-09T01:11:23Z)
• From Peptides to Nanostructures: A Euclidean Transformer for Fast and Stable Machine Learned Force Fields [5.013279299982324]
  本稿では,疎等式表現と自己注意機構を組み合わせたSO3kratesというトランスフォーマーアーキテクチャを提案する。 SO3kratesは精度、安定性、速度の独特な組み合わせを実現し、拡張時間とシステムサイズスケールでの物質の量子特性の洞察に富んだ分析を可能にする。
  論文  参考訳（メタデータ） (2023-09-21T09:22:05Z)
• Non-Generative Energy Based Models [3.1447898427012473]
  エネルギーベースモデル(EBM)はコンピュータビジョンの中でますます人気が高まっている。 我々は、非生成的トレーニングアプローチ、非生成的EMM(NG-EBM)を提案する。 我々のNG-EBMトレーニング戦略は、校正、アウト・オブ・ディストリビューション検出、対向抵抗におけるEMMの利点の多くを保っていることを示す。
  論文  参考訳（メタデータ） (2023-04-03T18:47:37Z)
• Diffusion Probabilistic Model Made Slim [128.2227518929644]
  軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。 一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
  論文  参考訳（メタデータ） (2022-11-27T16:27:28Z)
• Slow semiclassical dynamics of a two-dimensional Hubbard model in disorder-free potentials [77.34726150561087]
  調和およびスピン依存線形ポテンシャルの導入は、fTWAを長期間にわたって十分に検証することを示した。 特に、有限2次元系に着目し、中間線形ポテンシャル強度において、高調波ポテンシャルの追加と傾きのスピン依存が、亜拡散力学をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-10-03T16:51:25Z)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)

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。