論文の概要: Rapid Neural Network Prediction of Linear Block Copolymer Free Energies

• arxiv url: http://arxiv.org/abs/2603.17391v1
• Date: Wed, 18 Mar 2026 06:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.538584
• Title: Rapid Neural Network Prediction of Linear Block Copolymer Free Energies
• Title（参考訳）: リニアブロック共重合体自由エネルギーの高速ニューラルネットワーク予測
• Authors: Ian Chen, Alfredo Alexander-Katz,
• Abstract要約: 線形ジブロック共重合体の余剰自由エネルギーを高速に予測する機械学習フレームワークを開発した。 結果として得られるモデルは、連鎖長、組成、密度の様々な範囲にわたる参照自由エネルギーを正確に再現する。 これらの結果は、物理的に情報を得た機械学習モデルが、高価な自由エネルギー計算のための効率的なサロゲートとなることを示した。
• 参考スコア（独自算出の注目度）: 0.0424817441762445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Free energies are fundamental quantities governing phase behavior and thermodynamic stability in polymer systems, yet their accurate computation often requires extensive simulations and post-processing techniques such as the Bennett Acceptance Ratio (BAR). While BAR provides reliable estimates when applied between closely related thermodynamic states, evaluating free energies across large changes in interaction strength typically requires a sequence of intermediate simulations to maintain sufficient phase-space overlap, substantially increasing computational cost. In this work we develop a machine learning framework for rapidly predicting excess free energies of linear diblock copolymer systems from simulation-derived energetic descriptors. Using dissipative particle dynamics simulations of freely-jointed chain polymers, we construct a dataset of per-chain energetic statistics, including heterogeneous interaction energies, homogeneous interaction energies, and bonded spring energies, and train feed-forward neural networks to learn the relationship between these descriptors and free energies computed using a stratified BAR procedure. The resulting models accurately reproduce the reference free energies across a range of chain lengths, compositions, and densities, including polymer architectures held out from training. In regimes where direct, brute-force BAR estimates become unreliable due to poor phase-space overlap, the neural network predictions remain consistent with the reference values. These results demonstrate that physically informed machine learning models can serve as efficient surrogates for expensive free-energy calculations and provide a promising approach for accelerating thermodynamic analysis of polymer systems.
• Abstract（参考訳）: 自由エネルギーは、高分子系の相挙動と熱力学的安定性を規定する基本的な量であるが、その正確な計算には、ベネットアクセプタンス比 (BAR) のような広範なシミュレーションや後処理技術が必要であることが多い。 BARは、密接に関連する熱力学状態間で適用された場合、信頼性の高い推定を提供するが、相互作用強度の大きな変化にまたがる自由エネルギーの評価は、一般に、十分な位相空間オーバーラップを維持するために、中間シミュレーションのシーケンスを必要とするため、計算コストを大幅に増大させる。 本研究では,シミュレーション由来のエネルギー記述子から線形ジブロック共重合系の過剰な自由エネルギーを高速に予測する機械学習フレームワークを開発する。 自由結合鎖高分子の散逸粒子動力学シミュレーションを用いて、不均一相互作用エネルギー、均質相互作用エネルギー、結合ばねエネルギーを含む鎖間エネルギー統計のデータセットを構築し、これらの記述子と階層化されたBAR手順を用いて計算された自由エネルギーの関係を学習するためにフィードフォワードニューラルネットワークを訓練する。 結果として得られたモデルは、トレーニングから持ち出されたポリマーアーキテクチャを含む、様々な鎖の長さ、組成、密度の基準自由エネルギーを正確に再現する。 位相空間のオーバーラップが不十分なため、直接的、ブルートフォースのBAR推定が信頼できない状況では、ニューラルネットワークの予測は基準値と一致しない。 これらの結果から, 物理情報を用いた機械学習モデルは, 高価な自由エネルギー計算のための効率的なサロゲートとして機能し, 高分子系の熱力学解析を高速化するための有望なアプローチであることが示された。

関連論文リスト

• TICA-Based Free Energy Matching for Machine-Learned Molecular Dynamics [39.146761527401424]
  損失関数に相補的なエネルギーマッチング項を導入する。 我々はCGSchNetモデルを用いてチグノリンタンパク質の枠組みを評価した。 エネルギーマッチングは統計学的に精度が向上することはなかったが、モデルが自由エネルギー表面を一般化する方法に顕著な傾向を示した。
  論文  参考訳（メタデータ） (2025-09-18T04:22:25Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
  本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。 そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。 この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T13:58:29Z)
• A Physics-Informed Spatiotemporal Deep Learning Framework for Turbulent Systems [0.0]
  対流に対する物理インフォームRBCサロゲートモデルを提案する。 我々のアプローチは、空間還元のための標準次元ニューラルネットワークと、大きな言語モデルにインスパイアされた革新的な再帰的アーキテクチャを組み合わせる。 このモデルは、計算コストを削減しつつ、重要な物理的特徴を再現し、長期シミュレーションのためのDNSに代わるスケーラブルな代替手段を提供する。
  論文  参考訳（メタデータ） (2025-05-16T06:47:00Z)
• Energy Matching: Unifying Flow Matching and Energy-Based Models for Generative Modeling [5.787270247104665]
  現在の最先端生成モデルは、フローやスコアの一致によって、ノイズをデータ分布にマッピングする。 本稿では,ESMの柔軟性を備えたフローベースアプローチを実現するフレームワークであるEnergy Matchingを提案する。
  論文  参考訳（メタデータ） (2025-04-14T18:10:58Z)
• Equivariant Machine Learning Interatomic Potentials with Global Charge Redistribution [1.6112718683989882]
  機械学習原子間ポテンシャル(MLIP)は、物質特性を予測するための量子力学シミュレーションの計算的に効率的な代替手段を提供する。 我々は、電子自由度を明示的に処理することで、長距離クーロン相互作用を取り入れた新しい同変MLIPを開発する。 我々は,ベンチマーク周期的および非周期的データセットの領域にわたって,我々のモデルを体系的に評価し,短距離同変および長距離不変MLIPよりもエネルギーおよび力の予測が優れていることを示した。
  論文  参考訳（メタデータ） (2025-03-23T05:26:55Z)
• Tight Stability, Convergence, and Robustness Bounds for Predictive Coding Networks [60.3634789164648]
  予測符号化(PC)のようなエネルギーベースの学習アルゴリズムは、機械学習コミュニティにおいて大きな注目を集めている。 動的システム理論のレンズを用いて,PCの安定性,堅牢性,収束性を厳密に解析する。
  論文  参考訳（メタデータ） (2024-10-07T02:57:26Z)
• Neural Thermodynamic Integration: Free Energies from Energy-based Diffusion Models [19.871787625519513]
  我々は、トレーニング可能なニューラルネットワークで表されるアルケミカル経路に沿って熱力学積分(TI)を実行することを提案する。 本研究では、相互作用系と非相互作用系の間の時間依存ハミルトン補間をパラメトリズし、その勾配を最適化する。 すべての中間アンサンブルをサンプリングするエネルギーベース拡散モデルの能力により、単一の参照計算からTIを実行することができる。
  論文  参考訳（メタデータ） (2024-06-04T13:42:42Z)
• Predictive Scale-Bridging Simulations through Active Learning [43.48102250786867]
  我々は,局所的な微粒なシミュレーションを用いて粗大な流体力学を解析するために,能動的学習手法を用いる。 提案手法は3つの課題に対処する。連続体粗大軌道の予測,大規模計算からの粗大軌道の動的更新,ニューラルネットワークモデルの不確かさの定量化である。
  論文  参考訳（メタデータ） (2022-09-20T15:58:50Z)
• Out-of-time-order correlations and the fine structure of eigenstate thermalisation [58.720142291102135]
  量子情報力学と熱化を特徴付けるツールとして、OTOC(Out-of-time-orderor)が確立されている。 我々は、OTOCが、ETH(Eigenstate Thermalisation hypothesis)の詳細な詳細を調査するための、本当に正確なツールであることを明確に示している。 無限温度状態における局所作用素の和からなる可観測物の一般クラスに対して、$omega_textrmGOE$の有限サイズスケーリングを推定する。
  論文  参考訳（メタデータ） (2021-03-01T17:51:46Z)
• OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features [42.96944345045462]
  textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。 薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
  論文  参考訳（メタデータ） (2020-07-15T22:38:41Z)

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。