論文の概要: Reweighting free energy profiles between universal machine learning interatomic potentials for fast consensus building
- arxiv url: http://arxiv.org/abs/2605.15630v1
- Date: Fri, 15 May 2026 05:30:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-18 21:22:26.182139
- Title: Reweighting free energy profiles between universal machine learning interatomic potentials for fast consensus building
- Title（参考訳）: 高速コンセンサス構築のためのユニバーサル機械学習原子間ポテンシャル間の自由エネルギー分布の再重み付け
- Authors: Sauradeep Majumdar, Miguel Steiner, Johannes C. B. Dietschreit, Swagata Roy, Daniel Willimetz, Lukaš Grajciar, Rafael Gómez-Bombarelli,
- Abstract要約: 平均力のポテンシャル (PMF) と呼ばれる反応座標に沿って自由エネルギープロファイルを密度汎関数理論 (DFT) の精度で推定することは計算的に高価である。
本稿では,PMFの再重み付けのための体系的かつスケーラブルなフレームワークについて述べる。
我々の再加重フレームワークは、特に、電位間の位相空間の重なりが臨界的に低い場合でも、標的の熱力学特性、反応と活性化の自由エネルギーを回復する。
- 参考スコア（独自算出の注目度）: 3.311445536310091
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Free energy profiles serve as a fundamental bridge between microscopic atomic fluctuations and macroscopic thermodynamic observables. Estimating the free energy profile along a reaction coordinate, referred to as the potential of mean force (PMF), with density functional theory (DFT) accuracy is computationally expensive. Universal machine learning interatomic potentials (MLIPs) drastically reduce this cost, but their accuracy is strongly determined by their training data and hence can be uncertain for a given system. In this work, we present a systematic and scalable framework for reweighting PMFs, initially sampled with a single 'source' MLIP, across a representative suite of target MLIPs. Because traditional direct exponential reweighting fails for large system sizes due to low phase-space overlap between potentials, we deploy robust analytical corrections. Applying this to a complex 601-atom system of Li$^+$ transport in a nanoconfined electrolyte, we demonstrate that a mean energy-gap approximation effectively bypasses statistical collapse, producing a highly stable PMF matching the target PMF. Using this approach, we recover high-fidelity target thermodynamics across multiple DFT reference levels (PBE+D3, PBE-sol, r$^2$SCAN,r$^2$SCAN-D4) at a fraction of the computational cost of full simulations. Furthermore, thermodynamic analysis reveals that the studied MLIPs partition into two distinct clusters driven by their training data. Our reweighting framework successfully recovers target thermodynamic properties--specifically, reaction and activation free energies--even when the phase-space overlap between potentials is critically low. Ultimately, this approach establishes a vital diagnostic protocol to achieve affordable cross-model consensus on materials chemistry properties without redundant, resource-intensive simulations.
- Abstract（参考訳）: 自由エネルギープロファイルは、微視的な原子ゆらぎとマクロ的な熱力学観測器の基本的な橋渡しとなる。
平均力のポテンシャル (PMF) と呼ばれる反応座標に沿って自由エネルギープロファイルを密度汎関数理論 (DFT) の精度で推定することは計算的に高価である。
ユニバーサル機械学習原子間ポテンシャル(MLIP)は、このコストを大幅に削減するが、その正確性はトレーニングデータによって強く決定されるため、特定のシステムでは不確実である。
そこで本研究では,PMFの再重み付けのための体系的かつスケーラブルなフレームワークについて述べる。
従来の直接指数的再重み付けは、電位間の位相空間の重複が低いため、大きなシステムサイズで失敗するため、ロバストな解析的補正を展開できる。
ナノ電解質中のLi$^+$輸送の複雑な601原子系にこれを適用することにより、平均エネルギーギャップ近似が統計的崩壊を効果的に回避し、ターゲットPMFに適合する高度に安定なPMFを生成することを示した。
本手法を用いて,複数のDFT基準レベル (PBE+D3, PBE-sol, r$^2$SCAN, r$^2$SCAN-D4) の高忠実度ターゲット熱力学を計算コストのごく一部で再現する。
さらに、熱力学解析により、研究されたMLIPは、トレーニングデータによって駆動される2つの異なるクラスタに分割されることが明らかとなった。
我々の再加重フレームワークは、特に、電位間の位相空間の重なりが臨界的に低い場合でも、標的の熱力学特性、反応と活性化の自由エネルギーを回復する。
最終的に、このアプローチは、冗長でリソース集約的なシミュレーションなしで、材料化学特性に関する安価なクロスモデルコンセンサスを実現するための重要な診断プロトコルを確立する。
関連論文リスト
- The Value of Mechanistic Priors in Sequential Decision Making [41.418304743101174]
ハイブリッド・メカニスティック・モデル、学習された残差を持つ物理的先行性は、良い決定に必要なデータを減らすことを約束するが、これをテストするための計算可能な基準は存在しない。
両体制とも, 逐次意思決定におけるメカニスティックな先駆的価値を特徴づける。
論文 参考訳（メタデータ） (2026-05-11T05:43:53Z) - Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations [0.3024996106292169]
第一原理原子論シミュレーションは複雑な物質現象を理解するのに不可欠であるが、その計算コストによって根本的に制限される。
本稿では,E(3)-equivariant Allegroアーキテクチャに基づくマルチフィデリティな"Mixture-of-Experts"フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-28T22:04:05Z) - Universal and efficient graph neural networks with dynamic attention for machine learning interatomic potentials [3.2024465912572015]
機械学習の原子間ポテンシャル(MLIP)は線形コストでほぼ量子精度を約束するが、既存のモデルは効率と安定性の課題に直面している。
我々は、効率的で堅牢なグラフニューラルネットワークフレームワークである機械学習アドバンスニューラルネットワーク(MLANet)を提案する。
論文 参考訳（メタデータ） (2026-03-24T05:14:33Z) - Data-driven construction of machine-learning-based interatomic potentials for gas-surface scattering dynamics: the case of NO on graphite [39.146761527401424]
本研究では,ガス表面散乱力学に適した機械学習原子間ポテンシャル(MLIP)を構築するためのデータ駆動ワークフローを開発する。
得られたMLIPは、高忠実度で参照エネルギーと力を再現し、AIMDよりはるかに低い計算コストでグラファイトからのNO散乱の大規模分子動力学シミュレーションを可能にする。
論文 参考訳（メタデータ） (2026-03-19T13:11:27Z) - Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。
既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。
我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
論文 参考訳（メタデータ） (2026-02-11T02:00:25Z) - Extending machine learning model for implicit solvation to free energy calculations [37.65679407817425]
我々は、Lambda Solvation Neural Network(LSNN)と呼ばれるグラフニューラルネットワーク(GNN)に基づく暗黙の溶媒モデルを導入する。
LSNNは、明解アルケミカルシミュレーションに匹敵する精度で自由エネルギー予測を行う。
論文 参考訳（メタデータ） (2025-10-23T01:05:44Z) - 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) - Learning Potential Energy Surfaces of Hydrogen Atom Transfer Reactions in Peptides [0.562479170374811]
水素原子移動(HAT)反応は、損傷したタンパク質のラジカル移動など、多くの生物学的プロセスにおいて必須である。
機械学習型ポテンシャルは、ほぼ量子精度でポテンシャルエネルギー面を学習できる代替手段を提供する。
そこで我々は,半経験的手法とDFTを用いて大規模データセットを構築するために,ペプチドのHAT構成を体系的に生成する。
論文 参考訳（メタデータ） (2025-08-01T12:21:49Z) - Machine learning surrogate models of many-body dispersion interactions in polymer melts [40.83978401377059]
本稿では,高分子融液中のMBD力を予測するための機械学習サロゲートモデルを提案する。
我々のモデルは、最も関連する原子結合を選択的に保持する、トリミングされたSchNetアーキテクチャに基づいている。
高計算効率で特徴付けられるサロゲートモデルにより、大規模な分子シミュレーションにMBD効果を実践的に組み込むことが可能となる。
論文 参考訳（メタデータ） (2025-03-19T12:15:35Z) - Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials [0.980222898148295]
原子性物質シミュレーションにおける連続的および微分可能なアルケミカル自由度の利用について報告する。
提案手法は,MLIPのメッセージパッシングおよび読み出し機構の変更とともに,対応する重みを持つアルケミカル原子を入力グラフに導入する。
MLIPのエンドツーエンドの微分可能性により、構成重みに対するエネルギー勾配の効率的な計算が可能となる。
論文 参考訳（メタデータ） (2024-04-16T17:24:22Z) - Automated discovery of a robust interatomic potential for aluminum [4.6028828826414925]
機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。
アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。
アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証
転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
論文 参考訳（メタデータ） (2020-03-10T19:06:32Z)
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。