論文の概要: Learning Hamiltonian Flow Maps: Mean Flow Consistency for Large-Timestep Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2601.22123v1
• Date: Thu, 29 Jan 2026 18:47:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:50.087725
• Title: Learning Hamiltonian Flow Maps: Mean Flow Consistency for Large-Timestep Molecular Dynamics
• Title（参考訳）: ハミルトニアンフローマップの学習:大時間分子動力学における平均フロー整合性
• Authors: Winfried Ripken, Michael Plainer, Gregor Lied, Thorben Frank, Oliver T. Unke, Stefan Chmiela, Frank Noé, Klaus Robert Müller,
• Abstract要約: 我々は、選択した時間領域における平均位相空間の進化を予測することによって、ハミルトンフローマップを学習するためのフレームワークを導入する。 特に,機械学習力場を用いた分子動力学シミュレーションを改良した。
• 参考スコア（独自算出の注目度）: 16.337945610431785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulating the long-time evolution of Hamiltonian systems is limited by the small timesteps required for stable numerical integration. To overcome this constraint, we introduce a framework to learn Hamiltonian Flow Maps by predicting the mean phase-space evolution over a chosen time span $Δt$, enabling stable large-timestep updates far beyond the stability limits of classical integrators. To this end, we impose a Mean Flow consistency condition for time-averaged Hamiltonian dynamics. Unlike prior approaches, this allows training on independent phase-space samples without access to future states, avoiding expensive trajectory generation. Validated across diverse Hamiltonian systems, our method in particular improves upon molecular dynamics simulations using machine-learned force fields (MLFF). Our models maintain comparable training and inference cost, but support significantly larger integration timesteps while trained directly on widely-available trajectory-free MLFF datasets.
• Abstract（参考訳）: ハミルトン系の長期進化のシミュレーションは、安定な数値積分に必要な小さな時間ステップによって制限される。 この制約を克服するために、選択された時間における平均位相空間の進化を予測してハミルトンフローマップを学習するフレームワークを導入し、古典的な積分器の安定性限界を超えて安定な大ステップ更新を可能にする。 この目的のために、時間平均ハミルトニアン力学に対して平均フロー整合条件を課す。 従来のアプローチとは異なり、これは将来の状態にアクセスせずに独立した位相空間サンプルのトレーニングを可能にし、高価な軌道生成を避ける。 種々のハミルトン系にまたがって検証された本手法は,機械学習力場(MLFF)を用いた分子動力学シミュレーションにおいて特に改善される。 私たちのモデルは、同等のトレーニングと推論コストを維持していますが、広く利用可能なトラジェクトリフリーMLFFデータセットを直接トレーニングしながら、はるかに大きな統合タイムステップをサポートします。

関連論文リスト

• From Black Hole to Galaxy: Neural Operator: Framework for Accretion and Feedback Dynamics [70.27068115318681]
  ニューラルベースの「サブグリッドブラックホール」を導入し、小さな局所力学を学習し、直接シミュレーションに組み込む。 微細な進化の大きなスピードアップにより、我々は、降着駆動のフィードバックで固有の変動を捉え、中心ブラックホールと銀河スケールのガスの動的結合を可能にした。
  論文  参考訳（メタデータ） (2025-12-01T11:47:49Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• Temporal Lifting as Latent-Space Regularization for Continuous-Time Flow Models in AI Systems [0.0]
  連続時間力学系に対する適応時間的再パラメータ化の潜時空間定式化を提案する。 機械学習のダイナミクスの観点からすると、テンポラルリフトは連続時間正規化やタイムワープ演算子として機能する。
  論文  参考訳（メタデータ） (2025-10-10T19:06:32Z)
• Learning Passive Continuous-Time Dynamics with Multistep Port-Hamiltonian Gaussian Processes [0.0]
  多段階ポート-ハミルトニアンガウス過程(MS-PHS GP)を提案する。 MS-PHS GP はベクトル場とハミルトン面の両方を遅延状態のない閉形式条件付けを可能にし、設計によりエネルギー収支と通過率を強制する。 我々は, ベクトル場回復とハミルトンの不確かさを, 質量スプリング, Van der Pol, Duffingベンチマークで実証した。
  論文  参考訳（メタデータ） (2025-10-01T00:55:28Z)
• Learning Generalized Hamiltonian Dynamics with Stability from Noisy Trajectory Data [4.680663665263333]
  雑音, スパース位相空間データから様々な一般化ハミルトン力学を学習するための頑健な枠組みを導入する。 単一のハミルトニアンネットワークモデルでは、位相空間の特異かつ変動する運動力学や物理を捉えることは困難である。
  論文  参考訳（メタデータ） (2025-09-08T23:29:04Z)
• Oscillatory State-Space Models [61.923849241099184]
  長いシーケンスを効率的に学習するための線形状態空間モデル(LinOSS)を提案する。 高速な連想並列スキャンを用いて時間とともに統合された安定な離散化により、提案した状態空間モデルが得られる。 我々はLinOSSが普遍であること、すなわち時間変化関数間の連続および因果作用素写像を近似できることを示す。
  論文  参考訳（メタデータ） (2024-10-04T22:00:13Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Accelerated Continuous-Time Approximate Dynamic Programming via Data-Assisted Hybrid Control [0.0]
  本研究では,アクター・クリティックな構造に動的運動量を組み込んだアルゴリズムを導入し,アフィン構造を入力とする連続時間動植物を制御する。 アルゴリズムに動的運動量を導入することにより、閉ループ系の収束特性を加速することができる。
  論文  参考訳（メタデータ） (2022-04-27T05:36:51Z)

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。