論文の概要: Machine Learning Multiscale Interactions

• arxiv url: http://arxiv.org/abs/2605.25710v1
• Date: Mon, 25 May 2026 11:11:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.830021
• Title: Machine Learning Multiscale Interactions
• Title（参考訳）: 機械学習によるマルチスケールインタラクション
• Authors: Àlex Solé, Sergio Suárez-Dou, Albert Mosella-Montoro, Silvia Gómez-Coca, Eliseo Ruiz, Alexandre Tkatchenko, Javier Ruiz-Hidalgo,
• Abstract要約: 我々は,ソフト粗粒化プールを用いて粗い表現を構成する階層モデルであるMultiscale Structure Ensemble (MuSE)を紹介する。 ヘッセン系ベンチマークによる MuSE のパワー, 生体分子の折りたたみ軌道, 分子-グラフェンナノ構造におけるエネルギー分布を実証した。
• 参考スコア（独自算出の注目度）: 36.75433941056834
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Realistic physical systems are characterised by emergent interactions across multiple length and time scales, posing a significant challenge for predictive machine learning (ML) models. Most scientific ML models focus on a narrow range of interactions. While machine learning force fields (MLFFs) offer near-quantum accuracy, the ubiquitous message-passing layers miss long-range many-body effects. Here we introduce the Multiscale Structural Ensemble (MuSE), a hierarchical model that uses Soft Coarse-Graining Pooling to construct coarse representations from smooth fractional assignments of atoms to coarse nodes, enabling MLFF modules to operate across multiple scales. MuSE is architecture-agnostic and coupled with SO3krates, MACE, and PaiNN MLFFs for both molecules and materials. We demonstrate the power of MuSE through Hessian-based benchmarks, folding trajectories for biomolecules, and energy profiles in molecule-graphene nanostructures, where MuSE accurately captures quantum-mechanical interactions at relevant scales -- unlike other recent long-range ML models.
• Abstract（参考訳）: 現実的な物理システムは、複数の長さと時間スケールにわたる創発的相互作用によって特徴づけられ、予測機械学習(ML)モデルにとって重要な課題となっている。 ほとんどの科学的MLモデルは、限られた範囲の相互作用に焦点を当てている。 機械学習力場(MLFF)は量子に近い精度を提供するが、ユビキタスメッセージ通過層は長距離多体効果を見逃す。 本稿では,マルチスケール構造アンサンブル(MuSE)について紹介する。これはソフト粗粒度プールを用いて,原子のスムーズな分数割当から粗いノードへの粗い表現を構築する階層モデルであり,MLFFモジュールを複数スケールにわたって動作させることができる。 MuSEはアーキテクチャに依存しず、SO3krates, MACE, PaiNN MLFFsと結合している。 我々は、ヘッセン系ベンチマーク、生体分子の折りたたみ軌道、分子-グラフェンナノ構造におけるエネルギープロファイルを通じて、MuSEのパワーを実証する。

関連論文リスト

• Scalable Machine Learning Force Fields for Macromolecular Systems Through Long-Range Aware Message Passing [18.50744268453995]
  機械学習力場(MLFF)は、分子力学的計算の速度で量子力学的精度を提供することによって、分子シミュレーションに革命をもたらした。 しかし、これらのモデルの固定カットアーキテクチャへの根本的な依存は、長距離相互作用が支配的なマクロ分子系への適用性を制限している。 この局所性制約は、強制予測エラーをシステムサイズとモノトニックにスケールさせ、アーキテクチャ上の重要なボトルネックを明らかにする。 長距離アテンションブロックを明示的に統合する同変変換器であるE2Former-LSRを導入する。
  論文  参考訳（メタデータ） (2026-01-07T10:12:34Z)
• Machine Learning-driven Multiscale MD Workflows: The Mini-MuMMI Experience [6.460280778280392]
  我々は超並列マルチスケールマシン学習モデリング基盤(MuMMI)について論じる。 MuMMIは、ミリ秒からナノ秒までの異なる時間スケールで動作する何千もの分子動力学シミュレーションを編成する。 Mini-MuMMIは、より大型のHPCシステムを必要とするのに対して、控えめなHPCシステムやラップトップで動作するように設計されたMuMMIのキュレート版である。
  論文  参考訳（メタデータ） (2025-07-10T00:34:46Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
  現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。 我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。 MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
  論文  参考訳（メタデータ） (2025-01-18T13:54:00Z)
• Quantum-informed simulations for mechanics of materials: DFTB+MBD framework [40.83978401377059]
  本研究では, 材料工学に関連するシステムの力学特性を量子効果によってどのように変化させるかを検討する。 この作業で提示されたすべてのコード、データセット、サンプルを含むオープンソースリポジトリを提供する。
  論文  参考訳（メタデータ） (2024-04-05T16:59:01Z)
• 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)
• A Universal Framework for Featurization of Atomistic Systems [0.0]
  物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。 本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。 我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
  論文  参考訳（メタデータ） (2021-02-04T03:11:00Z)

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。