論文の概要: Learning Biomolecular Motion: The Physics-Informed Machine Learning Paradigm

• arxiv url: http://arxiv.org/abs/2511.06585v1
• Date: Mon, 10 Nov 2025 00:24:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.009658
• Title: Learning Biomolecular Motion: The Physics-Informed Machine Learning Paradigm
• Title（参考訳）: 生体分子運動の学習 : 物理インフォームド機械学習パラダイム
• Authors: Aaryesh Deshpande,
• Abstract要約: 物理インフォームド機械学習は、データ駆動推論と物理的な制約を統合する体系的なフレームワークを提供する。 我々はこれらのアプローチを「生体分子閉鎖問題」の解として捉えている。 我々は、機械学習、統計物理学、計算化学の交差点における先進的な研究の道について概説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The convergence of statistical learning and molecular physics is transforming our approach to modeling biomolecular systems. Physics-informed machine learning (PIML) offers a systematic framework that integrates data-driven inference with physical constraints, resulting in models that are accurate, mechanistic, generalizable, and able to extrapolate beyond observed domains. This review surveys recent advances in physics-informed neural networks and operator learning, differentiable molecular simulation, and hybrid physics-ML potentials, with emphasis on long-timescale kinetics, rare events, and free-energy estimation. We frame these approaches as solutions to the "biomolecular closure problem", recovering unresolved interactions beyond classical force fields while preserving thermodynamic consistency and mechanistic interpretability. We examine theoretical foundations, tools and frameworks, computational trade-offs, and unresolved issues, including model expressiveness and stability. We outline prospective research avenues at the intersection of machine learning, statistical physics, and computational chemistry, contending that future advancements will depend on mechanistic inductive biases, and integrated differentiable physical learning frameworks for biomolecular simulation and discovery.
• Abstract（参考訳）: 統計的学習と分子物理学の収束は、我々の生体分子系のモデリングへのアプローチを変えつつある。 物理インフォームド機械学習(PIML)は、データ駆動推論と物理的制約を統合する体系的なフレームワークを提供する。 本稿では, 物理インフォームドニューラルネットワークと演算子学習, 微分分子シミュレーション, ハイブリッド物理-MLポテンシャルの最近の進歩を概観する。 熱力学的一貫性と機械論的解釈性を維持しながら、古典的な力場を超えて未解決の相互作用を回復する。 モデル表現性や安定性など,理論的基礎,ツール,フレームワーク,計算トレードオフ,未解決の問題について検討する。 我々は、機械学習、統計物理学、計算化学の交差点における先進的な研究の道程を概説し、将来の進歩は機械的帰納的バイアスに依存し、生体分子シミュレーションと発見のための微分可能な物理学習フレームワークを統合することを主張する。

関連論文リスト

• 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)
• Physics-Informed Machine Learning in Biomedical Science and Engineering [3.87707864695882]
  物理インフォームド機械学習(PIML)は、複雑なバイオメディカルシステムをモデル化するための潜在的変換パラダイムとして登場しつつある。 PIMLフレームワークの主な3つのクラスについて概説する。物理情報ニューラルネットワーク(PINN)、ニューラル常微分方程式(NODE)、ニューラル演算子(NO)である。
  論文  参考訳（メタデータ） (2025-10-06T22:52:39Z)
• Physics-Driven Learning for Inverse Problems in Quantum Chromodynamics [5.5371760658918]
  ディープラーニング技術と物理駆動設計の統合は、私たちが逆問題に対処する方法を変えつつある。 この視点は、物理駆動学習法の進歩と可能性を強調している。 MLと物理の融合により、より効率的で信頼性の高い問題解決戦略がもたらされることが示されている。
  論文  参考訳（メタデータ） (2025-01-09T21:14:25Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Constructing Custom Thermodynamics Using Deep Learning [10.008895786910195]
  人工知能(AI)の最もエキサイティングな応用の1つは、以前に蓄積されたデータに基づいた自動科学的発見である。 ここでは、任意の散逸系のマクロ的記述を学習するための一般化オンサーガー原理に基づくプラットフォームを開発する。 本研究では, 長期ポリマー鎖の伸張特性を理論的, 実験的に検証し, その効果を実証する。
  論文  参考訳（メタデータ） (2023-08-08T08:19:43Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• 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)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Representations of molecules and materials for interpolation of quantum-mechanical simulations via machine learning [0.0]
  第一原理から分子や物質の計算的研究は、物理学、化学、材料科学の基盤となっている。 多くのシミュレーションを含む設定では、機械学習は参照シミュレーション間の補間によってこれらのコストを、しばしば桁違いに削減することができる。 我々は、統一された数学的枠組みを用いて、現在の表現とそれらの関係を包括的にレビューし、議論する。
  論文  参考訳（メタデータ） (2020-03-26T18:01:35Z)

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。