Fugu-MT 論文翻訳(概要): Path Sampling for Rare Events Boosted by Machine Learning

論文の概要: Path Sampling for Rare Events Boosted by Machine Learning

arxiv url: http://arxiv.org/abs/2602.05167v1
Date: Thu, 05 Feb 2026 00:34:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-06 18:49:08.688927
Title: Path Sampling for Rare Events Boosted by Machine Learning
Title（参考訳）: 機械学習による希少イベントのパスサンプリング
Authors: Porhouy Minh, Sapna Sarupria,
Abstract要約: AIMMDは、機械学習を統合して遷移経路サンプリングの効率を高める新しいサンプリングアルゴリズムである。この注釈書は、コアAMMMDフレームワークに関する議論と批判的な分析を提供し、最近の拡張を探求し、メソッドの潜在的な影響と制限について評価する。
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: The study by Jung et al. (Jung H, Covino R, Arjun A, et al., Nat Comput Sci. 3:334-345 (2023)) introduced Artificial Intelligence for Molecular Mechanism Discovery (AIMMD), a novel sampling algorithm that integrates machine learning to enhance the efficiency of transition path sampling (TPS). By enabling on-the-fly estimation of the committor probability and simultaneously deriving a human-interpretable reaction coordinate, AIMMD offers a robust framework for elucidating the mechanistic pathways of complex molecular processes. This commentary provides a discussion and critical analysis of the core AIMMD framework, explores its recent extensions, and offers an assessment of the method's potential impact and limitations.
Abstract（参考訳）: Jung et al (Jung H, Covino R, Arjun A, et al , Nat Comput Sci) による研究。 3:334-345 (2023)は、遷移経路サンプリング(TPS)の効率を高めるために機械学習を統合する新しいサンプリングアルゴリズムであるAIMMD(Artificial Intelligence for Molecular Mechanism Discovery)を導入した。コミッタの確率をオンザフライで推定し、同時に人間と解釈可能な反応座標を導出することにより、AIMMDは複雑な分子過程の力学経路を解明するための堅牢な枠組みを提供する。この注釈書は、コアAMMMDフレームワークに関する議論と批判的な分析を提供し、最近の拡張を探求し、メソッドの潜在的な影響と制限について評価する。

関連論文リスト

QUASAR: A Universal Autonomous System for Atomistic Simulation and a Benchmark of Its Capabilities [0.7519872646378835]
QUASARは、生産段階の科学的発見を促進するために設計された原子論シミュレーションのための普遍的な自律システムである。我々は,光触媒スクリーニングや新規材料評価など,日常的な課題からフロンティア研究の課題まで,一連の3段階の課題に対してquariSARをベンチマークした。その結果,quiSARはタスク固有の自動化フレームワークではなく,一般的な原子論的推論システムとして機能することが示唆された。
論文参考訳（メタデータ） (2026-01-30T05:29:44Z)
Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。 ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
論文参考訳（メタデータ） (2026-01-25T04:23:34Z)
Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
論文参考訳（メタデータ） (2026-01-20T18:46:42Z)
BIOME-Bench: A Benchmark for Biomolecular Interaction Inference and Multi-Omics Pathway Mechanism Elucidation from Scientific Literature [12.185152549393152]
BIOME-Benchは、マルチオミクス解析において、大規模言語モデル(LLM)の2つのコア機能を評価するために、厳格な4段階のワークフローによって構築される。両タスクの評価プロトコルを開発し、複数の強力な現代モデルにまたがる包括的実験を行う。
論文参考訳（メタデータ） (2025-12-31T09:01:27Z)
Beyond Benchmarks: Understanding Mixture-of-Experts Models through Internal Mechanisms [55.1784306456972]
Mixture-of-Experts (MoE)アーキテクチャは、推論中にパラメータのサブセットだけをアクティベートすることで、効率とスケーラビリティを提供する、有望な方向性として登場した。内部メトリックを用いて、ルーティング機構を明示的に取り入れ、専門家レベルの振る舞いを分析することで、MoEアーキテクチャのメカニズムを解明する。その結果,(1)モデルの発展に伴ってニューロンの利用が減少し,より高度な一般化が期待できる,(2)ベンチマークのパフォーマンスが限られた信号のみを提供するダイナミックな軌道を示す,(3)複数の専門家の協力的貢献からタスク完了が生じる,(4)ニューロンレベルでの活性化パターンがデータ多様性のきめ細かいプロキシを提供する,といった結果が得られた。
論文参考訳（メタデータ） (2025-09-28T15:13:38Z)
RAPTOR-GEN: RApid PosTeriOR GENerator for Bayesian Learning in Biomanufacturing [2.918639959397167]
本稿では,メカニズムインフォームドベイズ学習フレームワークRAPTOR-GENを紹介する。 RAPTOR-GENは、スパースおよび異種実験データからインテリジェントデジタルツイン開発を加速するように設計されている。制御可能な誤りを考慮した高速かつ堅牢なRAPTOR-GENアルゴリズムを開発した。
論文参考訳（メタデータ） (2025-09-25T05:20:49Z)
Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics [10.80659641278556]
薬物-タンパク質結合と解離ダイナミクスは、生物学的システムにおける分子間相互作用を理解するための基礎となる。本稿では,分子動力学シミュレーション,強化サンプリング,AI生成モデルを組み合わせた新しい研究パラダイムを提案する。本研究は, 薬物-タンパク質複合体の幅広い範囲を網羅し, 経路予測の新しい応用を探求するために, この方法論を拡張することに焦点を当てている。
論文参考訳（メタデータ） (2025-04-25T14:10:06Z)
Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
論文参考訳（メタデータ） (2024-09-06T02:03:38Z)
Unveiling Molecular Moieties through Hierarchical Grad-CAM Graph Explainability [0.0]
生物学的活性に対する分子サブストラクチャーの特定の寄与を解明するための説明可能な方法の統合は重要な課題である。我々は,小分子のデータセットを用いて20個のGNNモデルを訓練し,キナーゼファミリーから20個のタンパク質標的上での活性を予測することを目標とした。我々は階層型Grad-CAMグラフExplainerフレームワークを実装し,タンパク質-リガンド結合安定化を駆動する分子構造を詳細に解析する。
論文参考訳（メタデータ） (2024-01-29T17:23:25Z)
Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文参考訳（メタデータ） (2023-07-21T14:25:06Z)
fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文参考訳（メタデータ） (2022-10-23T15:11:37Z)
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)

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。