論文の概要: Delta-learned force fields for nonbonded interactions: Addressing the strength mismatch between covalent-nonbonded interaction for global models

• arxiv url: http://arxiv.org/abs/2511.01913v1
• Date: Sat, 01 Nov 2025 06:15:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.586557
• Title: Delta-learned force fields for nonbonded interactions: Addressing the strength mismatch between covalent-nonbonded interaction for global models
• Title（参考訳）: 非結合相互作用に対するデルタ学習力場:グローバルモデルにおける共有結合非結合相互作用間の強度ミスマッチに対処する
• Authors: Leonardo Cázares-Trejo, Marco Loreto-Silva, Huziel E. Sauceda,
• Abstract要約: textit$Delta$-sGDMLは、フラグメント固有のモデルを訓練し、推論時にそれらを合成することによって、分子内および分子間物理学を分解するスケールアウェアな定式化である。 textit$Delta$-sGDMLは1つのグローバルモデルに対して一貫した利得を示し、エネルギー精度を損なうことなく、フラグメント解決された力-エラーの削減をtextbf75%まで削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Noncovalent interactions--vdW dispersion, hydrogen/halogen bonding, ion-$\pi$, and $\pi$-stacking--govern structure, dynamics, and emergent phenomena in materials and molecular systems, yet accurately learning them alongside covalent forces remains a core challenge for machine-learned force fields (MLFFs). This challenge is acute for global models that use Coulomb-matrix (CM) descriptors compared under Euclidean/Frobenius metrics in multifragment settings. We show that the mismatch between predominantly covalent force labels and the CM's overrepresentation of intermolecular features biases single-model training and degrades force-field fidelity. To address this, we introduce \textit{$\Delta$-sGDML}, a scale-aware formulation within the sGDML framework that explicitly decouples intra- and intermolecular physics by training fragment-specific models alongside a dedicated binding model, then composing them at inference. Across benzene dimers, host-guest complexes (C$_{60}$@buckycatcher, NO$_3^-$@i-corona[6]arene), benzene-water, and benzene-Na$^+$, \mbox{$\Delta$-sGDML} delivers consistent gains over a single global model, with fragment-resolved force-error reductions up to \textbf{75\%}, without loss of energy accuracy. Furthermore, molecular-dynamics simulations further confirm that the $\Delta$-model yields a reliable force field for C$_{60}$@buckycatcher, producing stable trajectories across a wide range of temperatures (10-400~K), unlike the single global model, which loses stability above $\sim$200~K. The method offers a practical route to homogenize per-fragment errors and recover reliable noncovalent physics in global MLFFs.
• Abstract（参考訳）: 非共有結合--vdW分散、水素/ハロゲン結合、イオン-$\pi$、および$\pi$-stacking--govern構造、動力学、そして物質や分子系の創発的現象は、それでも機械学習力場(MLFF)のコア課題である。 この課題は、マルチフラグメント設定でユークリッド/フロベニウスのメトリクスで比較したCulomb-matrix(CM)ディスクリプタを使用するグローバルモデルにとって、緊急である。 主に共有力ラベルとCMによる分子間特徴の過剰表現のミスマッチは、単モデルトレーニングに偏り、力場忠実度を低下させる。 これを解決するために、sGDMLフレームワーク内のスケールアウェアな定式化である \textit{$\Delta$-sGDML} を導入する。 ベンゼン二量体、ホスト-ゲスト錯体(C$_{60}$@buckycatcher、NO$_3^-$@i-corona[6]arene、ベンゼン-水、ベンゼン-Na$^+$、 \mbox{$\Delta$-sGDML})は、エネルギー精度を損なうことなく、単一グローバルモデルに対して一貫した利得を与える。 さらに、分子力学シミュレーションにより、$\Delta$-model が C$_{60}$@buckycatcher の信頼性の高い力場を生じることが確認される。 この方法は、グローバルMLFFにおいて、フラグメント毎の誤差を均質化し、信頼性の高い非共有結合物理学を回復するための実用的な経路を提供する。

関連論文リスト

• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
  粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。 本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。 本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• Collective dynamics Using Truncated Equations (CUT-E): simulating the collective strong coupling regime with few-molecule models [0.0]
  我々は置換対称性を利用して、大きな$N$に対するtextitab-initio量子力学シミュレーションの計算コストを大幅に削減する。 我々は、$k$余剰有効分子を加えると、$mathcalO(N-k)$とスケールする現象を考慮に入れるのに十分であることを示した。
  論文  参考訳（メタデータ） (2022-09-11T22:49:29Z)
• Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
  Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。 一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
  論文  参考訳（メタデータ） (2021-08-18T09:00:24Z)
• 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)
• Extended Falicov-Kimball model: Hartree-Fock vs DMFT approach [0.0]
  ハーツリー・フォック・アプローチ(HFA)におけるハーフフィリングにおけるファリコフ・キンボールモデルの拡張について検討する。 モデルの基底状態特性のHFA記述は、DMFTの正確な解と等価であることを示す。
  論文  参考訳（メタデータ） (2020-11-15T10:43:55Z)
• 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。