論文の概要: Improving Molecular Force Fields with Minimal Temporal Information

• arxiv url: http://arxiv.org/abs/2604.19806v1
• Date: Tue, 14 Apr 2026 04:05:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.540899
• Title: Improving Molecular Force Fields with Minimal Temporal Information
• Title（参考訳）: 極小時間情報による分子力場の改善
• Authors: Ali Mollahosseini, Mohammed Haroon Dupty, Wee Sun Lee,
• Abstract要約: MDトラジェクトリ内の時間的関係を利用するために補助的損失関数を利用するFRAMESと呼ばれる新しいトレーニング戦略を導入する。 広く使われているMD17とISO17のベンチマークでは、FRAMESはEquiformerのベースラインを著しく上回り、エネルギーと力の精度において高い競争力を発揮する。
• 参考スコア（独自算出の注目度）: 16.891516426181763
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of energy and forces for 3D molecular systems is one of fundamental challenges at the core of AI for Science applications. Many powerful and data-efficient neural networks predict molecular energies and forces from single atomic configurations. However, one crucial aspect of the data generation process is rarely considered while learning these models i.e. Molecular Dynamics (MD) simulation. MD simulations generate time-ordered trajectories of atomic positions that fluctuate in energy and explore regions of the potential energy surface (e.g., under standard NVE/NVT ensembles), rather than being constructed to steadily lower the potential energy toward a minimum as in geometry relaxations. This work explores a novel way to leverage MD data, when available, to improve the performance of such predictors. We introduce a novel training strategy called FRAMES, that use an auxiliary loss function for exploiting the temporal relationships within MD trajectories. Counter-intuitively, on two atomistic benchmarks and a synthetic system we observe that minimal temporal information, captured by pairs of just two consecutive frames, is often sufficient to obtain the best performance, while adding longer trajectory sequences can introduce redundancy and degrade performance. On the widely used MD17 and ISO17 benchmarks, FRAMES significantly outperforms its Equiformer baseline, achieving highly competitive results in both energy and force accuracy. Our work not only presents a novel training strategy which improves the accuracy of the model, but also provides evidence that for distilling physical priors of atomic systems, more temporal data is not always better.
• Abstract（参考訳）: 3次元分子システムのエネルギーと力の正確な予測は、AI for Scienceアプリケーションのコアにおける基本的な課題の1つである。 多くの強力でデータ効率のよいニューラルネットワークは、単一の原子配置から分子エネルギーと力を予測する。 しかし、これらのモデル、すなわち分子動力学(MD)シミュレーションを学習している間に、データ生成プロセスの重要な側面が考慮されることは滅多にない。 MDシミュレーションは、幾何緩和のように、ポテンシャルエネルギーを最小限に下げるために構築されるのではなく、エネルギーで変動する原子位置の時間順序の軌道を生成し、ポテンシャルエネルギー表面(例えば、標準NVE/NVTアンサンブルの下で)の領域を探索する。 本研究は,MDデータを利用した予測器の性能向上のための新しい手法を提案する。 MDトラジェクトリ内の時間的関係を利用するために補助的損失関数を利用するFRAMESと呼ばれる新しいトレーニング戦略を導入する。 反対に、2つの原子論的ベンチマークと合成システムでは、最小の時間情報は2つの連続するフレームのペアでキャプチャされ、しばしば最高の性能を得るのに十分である。 広く使われているMD17とISO17のベンチマークでは、FRAMESはEquiformerのベースラインを著しく上回り、エネルギーと力の精度において高い競争力を発揮する。 我々の研究は、モデルの精度を向上する新しいトレーニング戦略を提示するだけでなく、原子系の物理的前提を蒸留するためには、より時間的データが必ずしも良いとは限らないという証拠も提示する。

関連論文リスト

• Align Your Structures: Generating Trajectories with Structure Pretraining for Molecular Dynamics [57.2871599860811]
  MD軌道生成のための構造事前学習を利用する新しいフレームワークを提案する。 提案手法は,MDトラジェクトリデータの不足を軽減するために,豊富な構造データを効果的に活用する。 実験結果から,本手法は化学的に現実的なMDトラジェクトリの生成に優れていることが確認された。
  論文  参考訳（メタデータ） (2026-04-05T00:37:28Z)
• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• FlashMD: long-stride, universal prediction of molecular dynamics [5.75012394190034]
  我々は,通常のMD時間ステップよりも1～2桁長いストライド上の位置とモーメントの進化を予測する手法であるFlashMDを提案する。 システム固有モデルと汎用モデルの両方を用いて, 平衡特性と時間依存特性の再現におけるFlashMDの精度を検証した。
  論文  参考訳（メタデータ） (2025-05-25T22:34:31Z)
• 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)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• 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)

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。