論文の概要: Hessian Matching for Machine-Learned Coarse-Grained Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2605.12823v1
• Date: Tue, 12 May 2026 23:46:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.725549
• Title: Hessian Matching for Machine-Learned Coarse-Grained Molecular Dynamics
• Title（参考訳）: 機械学習型粗粒分子動力学のためのヘシアンマッチング
• Authors: Sanya Murdeshwar, Sanjit Shashi, Kevin Bachelor, William Noid, Ashwin Lokapally, Razvan Marinescu,
• Abstract要約: 本稿では,Hessian-vector product (HVP) との整合性を強化し,全Hessianを構築せずにCG電位に2次曲率情報を注入するフレームワークを提案する。 以上の結果から,生物分子シミュレーションにおいて,高次物理監督がより正確かつ伝達可能なCG電位への実践的経路であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coarse-grained (CG) molecular dynamics enables simulations of atomic systems such as biomolecules at timescales inaccessible to all-atom (AA) methods, but existing CG neural potentials trained via force matching capture only the gradient of the free-energy surface, leaving its curvature unconstrained. We introduce a framework that augments force matching with stochastic Hessian-vector product (HVP) matching, instilling second-order curvature information into CG potentials without constructing the full Hessian. We derive a decomposition of the target CG Hessian into a model-independent projected AA Hessian, precomputed once before training, and a model-dependent covariance correction computed online at negligible cost. We construct an unbiased stochastic estimator of the Hessian-matching objective by using random probe vectors. We evaluate our method by comparing against force matching on a benchmark of nine fast-folding proteins unseen during training. HVP matching outperforms plain force matching on 8 of 9 proteins on slow-mode metrics, with reductions of up to 85% in the Kullback--Leibler divergence between the CG and reference distributions along the slowest collective mode of the largest protein. Our results demonstrate that higher-order physical supervision is a practical path to more accurate and transferable CG potentials for biomolecular simulation.
• Abstract（参考訳）: 粗粒(CG)分子動力学は、全原子(AA)法に到達できない時間スケールでの生体分子などの原子系のシミュレーションを可能にするが、既存のCG神経電位は力マッチングによって訓練され、自由エネルギー面の勾配のみを捕捉し、曲率を拘束しない。 本稿では,確率的ヘッセンベクトル積 (HVP) との整合性を強化し,全ヘッセンを構築せずにCG電位に2次曲率情報を注入するフレームワークを提案する。 対象とするCG Hessianを,トレーニング前に1回事前計算したモデル非依存型AA Hessianと,オンラインで計算したモデル依存型共分散補正に分解する。 ランダムプローブベクトルを用いてヘッセンマッチング対象の確率的不偏推定器を構築する。 トレーニング中に見えない9つの高速折りたたみタンパク質のベンチマークで, 力マッチングを比較して評価した。 HVPマッチングは、9つのタンパク質の8つのうち8つにおいて、遅いモードの指標において、CGと最大のタンパク質の最も遅い集合モードに沿った参照分布の間のKullback-Leiblerの偏差を最大85%まで減少させる。 以上の結果から,生物分子シミュレーションにおいて,高次物理監督がより正確かつ伝達可能なCG電位への実践的経路であることが示唆された。

関連論文リスト

• Projected Hessian Learning: Fast Curvature Supervision for Accurate Machine-Learning Interatomic Potentials [3.0325110391148264]
  Projected Hessian Learning (PHL)は、Hessian-vector製品(HVPs)のみを使用して曲率情報を注入するスケーラブルな2階学習フレームワークである。 我々は PHL を omegaB97XD/6-31G(d) で計算した化学多種多様な反応物質, 生成物遷移状態, 正常モードのサンプルジオメトリーのベンチマークを行った。 最小バッチ当たりのランダム化プローブでは、両方のHVPスキームはエネルギー、力、ヘッセンの精度のフルヘシアントレーニングと一致し、研究された小さな分子系に対して>24倍のスピードアップを提供する。
  論文  参考訳（メタデータ） (2026-03-04T19:09:16Z)
• Operator Forces For Coarse-Grained Molecular Dynamics [44.1462357579624]
  機械学習型粗粒化法(MLCG)は、CG分子動力学のための高精度な力場を構築するための有望なアプローチとして登場した。 フローベースカーネルは,構成サンプルのみから高品質なCG力を生成可能であることを示す。
  論文  参考訳（メタデータ） (2025-06-24T13:51:20Z)
• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
  粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。 本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。 本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• Statistically Optimal Force Aggregation for Coarse-Graining Molecular Dynamics [55.41644538483948]
  粗粒(CG)モデルは、原子論的な分子動力学で可能な以上の大きな分子複合体をシミュレートする可能性がある。 CG力場を学習するための広く使われている方法論は、全原子分子動力学からCG表現への力のマッピングと、平均してCG力場とマッチングするものである。 我々は、全原子力のCG表現へのマッピングには柔軟性があり、最もよく使われるマッピング手法は統計的に非効率的であり、全原子シミュレーションにおける制約の存在においても、潜在的に誤りであることを示した。
  論文  参考訳（メタデータ） (2023-02-14T14:35:39Z)
• NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
  2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。 NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。 我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:54:53Z)
• Improving Covariance Conditioning of the SVD Meta-layer by Orthogonality [65.67315418971688]
  最寄り直交勾配(NOG)と最適学習率(OLR)を提案する。 視覚認識実験は,共分散条件と一般化を同時に改善できることを実証した。
  論文  参考訳（メタデータ） (2022-07-05T15:39:29Z)
• A Stochastic Newton Algorithm for Distributed Convex Optimization [62.20732134991661]
  均質な分散凸最適化のためのNewtonアルゴリズムを解析し、各マシンが同じ人口目標の勾配を計算する。 提案手法は,既存の手法と比較して,性能を損なうことなく,必要な通信ラウンドの数,頻度を低減できることを示す。
  論文  参考訳（メタデータ） (2021-10-07T17:51:10Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)

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。