論文の概要: Teaching Molecular Dynamics to a Non-Autoregressive Ionic Transport Predictor

• arxiv url: http://arxiv.org/abs/2605.09311v1
• Date: Sun, 10 May 2026 04:09:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.183391
• Title: Teaching Molecular Dynamics to a Non-Autoregressive Ionic Transport Predictor
• Title（参考訳）: 非自己回帰型イオン輸送予測器の分子動力学
• Authors: Jiyeon Kim, Byungju Lee, Won-Yong Shin,
• Abstract要約: イオン輸送特性は本質的に動的であり、静的な原子構造からの予測は困難である。 本研究では,原子軌道を学習中の補助的モダリティとして扱うが,推論時に必要としない,補助的モダリティ学習に基づく非自己回帰学習フレームワークを提案する。 我々のフレームワークは、原子軌道を持つデータセット上の自己回帰モデルと比較して200倍以上のスピードアップを実現している。
• 参考スコア（独自算出の注目度）: 15.666070463801603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unlike most static material properties widely studied in the machine learning literature, ionic transport properties are inherently dynamic, making their fast and accurate prediction from static atomic structures challenging. The current standard approach, molecular dynamics (MD) simulations, suffers from prohibitively high computational cost. Recent autoregressive learning-based MD acceleration methods requiring sequential inference remain slow and prone to error accumulation; in contrast, existing non-autoregressive material property prediction models are less accurate because they fail to exploit dynamics. Moreover, existing methods typically benefit from datasets either with or without atomic trajectories, but not both. To overcome these limitations, we propose a non-autoregressive learning framework based on auxiliary modality learning, which treats atomic trajectories as an auxiliary modality during training but does not require them at inference. This enables the predictor to learn dynamics without sequential inference while benefiting from both types of datasets. As a result, our framework achieves over 200 times speedup compared to autoregressive models on the dataset with atomic trajectories while substantially reducing prediction error relative to non-autoregressive benchmarks across both types of datasets. Our code is available at https://github.com/jykim-git/MD.
• Abstract（参考訳）: 機械学習の文献で広く研究されているほとんどの静的物質特性とは異なり、イオン輸送特性は本質的に動的であり、静的原子構造からの高速で正確な予測が困難である。 現在の標準手法である分子動力学(MD)シミュレーションは、計算コストが極端に高い。 近年, 逐次推論を必要とする自己回帰学習に基づくMD加速法では, 誤差の蓄積が遅くなる傾向にある。 さらに、既存のメソッドは通常、アトミックな軌跡を持つか、無いかのいずれかのデータセットの恩恵を受けるが、両方ではない。 これらの制約を克服するために,原子軌道を学習中に補助的なモダリティとして扱うための補助的なモダリティ学習に基づく非自己回帰学習フレームワークを提案する。 これにより、予測者は、両方のタイプのデータセットから恩恵を受けながら、シーケンシャルな推論なしで動的に学習できる。 その結果、我々のフレームワークは、原子軌道を持つデータセット上の自己回帰モデルと比較して200倍以上のスピードアップを実現し、また、両方のタイプのデータセットにまたがる非自己回帰ベンチマークと比較して、予測誤差を大幅に低減した。 私たちのコードはhttps://github.com/jykim-git/MDで公開されています。

関連論文リスト

• InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
  InternVLA-A1は動的予測機能を備えた視覚言語モデルである。 我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。 InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-01-05T18:54:29Z)
• Sparse-to-Field Reconstruction via Stochastic Neural Dynamic Mode Decomposition [12.812771670043212]
  風力場や海流のような現実世界のシステムの多くは、動的でモデル化が難しい。 動的モード分解(DMD)は、単純でデータ駆動の近似を提供するが、実用性はスパース/ノイズの観測によって制限される。 DMDの確率的拡張であるNODE-DMDを導入する。
  論文  参考訳（メタデータ） (2025-11-25T18:39:50Z)
• LETS Forecast: Learning Embedology for Time Series Forecasting [8.05466205230466]
  本稿では,非線形力学系モデリングとディープニューラルネットワークを統合するフレームワークDeepEDMを紹介する。 経験的動的モデリング(EDM)にインスパイアされ、Takensの定理に根ざしたDeepEDMは、時間遅れの埋め込みから潜伏空間を学ぶ新しいディープモデルを提供する。 以上の結果から,DeepEDMは入力ノイズに対して頑健であり,精度の予測において最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-06-06T18:24:12Z)
• Continuous Visual Autoregressive Generation via Score Maximization [69.67438563485887]
  本稿では,ベクトル量子化なしで直接視覚的自己回帰生成を可能にする連続VARフレームワークを提案する。 このフレームワークの中で必要なのは、厳密な適切なスコアを選択し、最適化のトレーニング目標として設定することだけです。
  論文  参考訳（メタデータ） (2025-05-12T17:58:14Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural Network Emulators of Geophysical Turbulence [0.0]
  しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。 1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。 いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
  論文  参考訳（メタデータ） (2023-04-28T21:34:53Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Non-linear manifold ROM with Convolutional Autoencoders and Reduced Over-Collocation method [0.0]
  非アフィンパラメトリックな依存、非線形性、興味のモデルにおける対流支配的な規則は、ゆっくりとしたコルモゴロフ n-幅の崩壊をもたらす。 我々は,Carlbergらによって導入された非線形多様体法を,オーバーコロケーションの削減とデコーダの教師/学生による学習により実現した。 本研究では,2次元非線形保存法と2次元浅水モデルを用いて方法論を検証し,時間とともに動的に進化する純粋データ駆動型手法と長期記憶ネットワークとの比較を行った。
  論文  参考訳（メタデータ） (2022-03-01T11:16:50Z)

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。