論文の概要: Faster Molecular Dynamics with Neural Network Potentials via Distilled Multiple Time-Stepping and Non-Conservative Forces

• arxiv url: http://arxiv.org/abs/2602.14975v1
• Date: Mon, 16 Feb 2026 17:59:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.570947
• Title: Faster Molecular Dynamics with Neural Network Potentials via Distilled Multiple Time-Stepping and Non-Conservative Forces
• Title（参考訳）: 拡張型マルチタイムステッピングと非保守力によるニューラルネットワーク電位の高速分子動力学
• Authors: Nicolaï Gouraud, Côme Cattin, Thomas Plé, Olivier Adjoua, Louis Lagardère, Jean-Philip Piquemal,
• Abstract要約: 我々は,非保守的 (NC) 力を用いた蒸留マルチタイムステップ (DMTS) 戦略を提案し,原子論的分子動力学シミュレーションを高速化する。 全体として、DMTS-NC方式は、DMTSよりも15～30%のスピードアップで、保守的な方式よりも安定で効率的であることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Following our previous work (J. Phys. Chem. Lett., 2026, 17, 5, 1288-1295), we propose the DMTS-NC approach, a distilled multi-time-step (DMTS) strategy using non conservative (NC) forces to further accelerate atomistic molecular dynamics simulations using foundation neural network models. There, a dual-level reversible reference system propagator algorithm (RESPA) formalism couples a target accurate conservative potential to a simplified distilled representation optimized for the production of non-conservative forces. Despite being non-conservative, the distilled architecture is designed to enforce key physical priors, such as equivariance under rotation and cancellation of atomic force components. These choices facilitate the distillation process and therefore improve drastically the robustness of simulation, significantly limiting the "holes" in the simpler potential, thus achieving excellent agreement with the forces data. Overall, the DMTS-NC scheme is found to be more stable and efficient than its conservative counterpart with additional speedups reaching 15-30% over DMTS. Requiring no finetuning steps, it is easier to implement and can be pushed to the limit of the systems physical resonances to maintain accuracy while providing maximum efficiency. As for DMTS, DMTS-NC is applicable to any neural network potential.
• Abstract（参考訳）: これまでの研究 (J. Phys. Chem. Lett., 2026, 17, 5, 1288-1295) に続いて, 基礎ニューラルネットワークモデルを用いた原子論的分子動力学シミュレーションをさらに加速させるために, 非保守的 (NC) 力を用いた蒸留マルチタイムステップ (DMTS) 戦略であるDMTS-NCアプローチを提案する。 そこで、二重レベル可逆的参照系プロパゲータアルゴリズム(RESPA)は、非保守力の生成に最適化された簡易蒸留表現に、ターゲットの正確な保守ポテンシャルを結合する。 非保守的であるにもかかわらず、蒸留されたアーキテクチャは、回転下での等分散や原子間力成分のキャンセルといった重要な物理的前提を強制するように設計されている。 これらの選択は蒸留プロセスを促進し、したがってシミュレーションの堅牢性を大幅に改善し、より単純なポテンシャルの「穴」を著しく制限し、フォースデータとの良好な一致を達成する。 全体として、DMTS-NC方式は、DMTSよりも15～30%のスピードアップで、保守的な方式よりも安定で効率的であることが示されている。 微調整の手順を必要としないため、実装が容易であり、システムの物理的共鳴の限界まで押し付けることで、最大効率を保ちながら精度を維持することができる。 DMTSに関しては、DMTS-NCは任意のニューラルネットワーク電位に適用できる。

関連論文リスト

• Approaching the Thermodynamic Limit with Neural-Network Quantum States [0.6999740786886536]
  ニューラルネットワーク量子状態に対する最小かつ物理的に解釈可能な帰納バイアスである空間的注意機構を導入する。 このバイアスは大規模最適化を安定化し、熱力学・極限物理学へのアクセスを可能にする。 提案手法は20時間20ドルの正方格子に対して最先端のエネルギーを達成し,Residual Convolutional Neural Networksより優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-02T19:00:05Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Artificial Intelligence for Direct Prediction of Molecular Dynamics Across Chemical Space [0.0]
  分子動力学(MD)は原子系の挙動を探索する強力なツールであるが、逐次的な数値積分によるシミュレーションの効率化に依存している。 本稿では,新しいニューラルネットワークアーキテクチャMDtrajNetと,事前学習した基礎モデルMDtrajNet-1を提案する。 MDtrajNetは化学空間をまたいだMD軌道を直接生成し、力計算と積分をバイパスする。
  論文  参考訳（メタデータ） (2025-05-22T06:56:19Z)
• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• Leveraging recurrence in neural network wavefunctions for large-scale simulations of Heisenberg antiferromagnets on the square lattice [1.7489899297384526]
  機械学習に基づく変分モンテカルロシミュレーションは、量子多体基底状態をターゲットにするための有望なアプローチである。 我々は、リカレントニューラルネットワーク(RNN)を変分アンセットとして使用し、そのリカレント特性を活用して、徐々に大きなシステムの基底状態をシミュレートする。 トレーニング時間を増やすことで,シミュレーションの結果の精度を体系的に向上できることを示す。
  論文  参考訳（メタデータ） (2025-02-24T13:35:23Z)
• Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 計算時間と空間複雑度はそれぞれ、列長に関して立方体と二次体から線形へと減少する。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• Force-Guided Bridge Matching for Full-Atom Time-Coarsened Dynamics of Peptides [17.559471937824767]
  我々は、FBM(Force-Guided Bridge Matching)と呼ばれる条件付き生成モデルを提案する。 FBMはフル原子時間粗大化力学を学習し、ボルツマン制約分布を目標とする。 ペプチドからなる2つのデータセットの実験は、包括的メトリクスの観点から、我々の優位性を検証する。
  論文  参考訳（メタデータ） (2024-08-27T15:07:27Z)
• Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
  一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。 耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。 距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
  論文  参考訳（メタデータ） (2024-02-22T16:33:48Z)
• TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems [43.39754726042369]
  連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌跡を整列するソフト制約として,単純かつ効果的な自己監督型正規化項を提案する。 時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。 様々な物理システムに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-10-10T08:52:16Z)
• Physics inspired quantum simulation of resonating valence bond states -- a prototypical template for a spin-liquid ground state [1.7563879056963012]
  我々は,カゴメ反強磁性体のスピン-$frac12$-unitセルの原型モデルについて検討した。 我々は、基底状態の性質を特定するために、ロバストな古典的数値手法を用いる。 実際のIBMQバックエンド上でも、このアンサッツがターゲットの基底状態を正確に表現できることを実証する。
  論文  参考訳（メタデータ） (2023-08-11T19:34:47Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• Fast and Sample-Efficient Interatomic Neural Network Potentials for Molecules and Materials Based on Gaussian Moments [3.1829446824051195]
  従来のGM-NNモデルに基づいて改良されたNNアーキテクチャを提案する。 改善された方法論は、アクティブラーニングやラーニング・オン・ザ・フライ(Learning-on-the-fly)といったトレーニング・ヘビーの前提条件である。
  論文  参考訳（メタデータ） (2021-09-20T14:23:34Z)
• Fast high-fidelity single-qubit gates for flip-flop qubits in silicon [68.8204255655161]
  フリップフロップ量子ビットは、シリコン中の反平行ドナー結合電子とドナー核スピンを持つ状態において符号化される。 相互作用する電子スピンと核スピンによって形成されるマルチレベルシステムについて検討する。 低周波雑音下で高速かつロバストな単一ビットゲートを生成する最適制御方式を提案する。
  論文  参考訳（メタデータ） (2021-01-27T18:37:30Z)

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。