論文の概要: Learning Implicit Bias in Generative Spaces for Accelerating Protein Dynamics Emulation

• arxiv url: http://arxiv.org/abs/2606.01833v1
• Date: Mon, 01 Jun 2026 07:46:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.575664
• Title: Learning Implicit Bias in Generative Spaces for Accelerating Protein Dynamics Emulation
• Title（参考訳）: タンパク質ダイナミクスエミュレーションの高速化のための生成空間におけるインプシティバイアスの学習
• Authors: Kaihui Cheng, Zhiqiang Cai, Wenkai Xiang, Zhihang Hu, Siyu Zhu, Tzuhsiung Yang, Yuan Qi,
• Abstract要約: タンパク質動力学の生成エミュレータは、分子動力学のコストのごく一部で可塑性軌道を生成する。 古典的拡張サンプリングに着想を得て,前訓練エミュレータの生成空間に暗黙的,歴史に依存したバイアスを導入する。
• 参考スコア（独自算出の注目度）: 6.914990300751483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative emulators of protein dynamics produce plausible trajectories at a fraction of the cost of molecular dynamics, but they inherit their training distribution and tend to revisit known states rather than reach rare ones under long-horizon extrapolation. Inspired by classical enhanced sampling, we introduce an implicit, history-dependent bias in the generative space of a pretrained emulator. Specifically, a history-aware score estimator augments the frozen emulator with a distance-weighted bias that steers reverse-time sampling away from previously generated structures, regularized by an environment-support term. To preserve structural validity at long horizons, a score-based refinement step re-projects drifted samples onto the data manifold using the frozen emulator. Our experiments demonstrate that the method (i) raises diversity by $35\%$ on DynamicPDB-80; (ii) on $12$ zero-shot Fast-Folding proteins, the learned bias alone reaches the unbiased emulator's coverage up to ${\sim}15\times$ faster, and pairing it with refinement reaches the coverage up to ${\sim}37\times$ faster while covering ${\sim}3\times$ as many low-energy states. Code will be released soon.
• Abstract（参考訳）: タンパク質力学の生成エミュレータは、分子動力学のコストのごく一部で可塑性軌道を生成するが、それらはトレーニング分布を継承し、長い水平外挿の下で稀な状態に到達するよりも、既知の状態を再検討する傾向がある。 古典的拡張サンプリングに着想を得て,前訓練エミュレータの生成空間に暗黙的,歴史に依存したバイアスを導入する。 具体的には、履歴認識スコア推定器は、環境支援用語によって正規化された、以前に生成された構造から逆時間サンプリングを行う、距離重み付きバイアスで凍結エミュレータを増強する。 長地平線における構造的妥当性を維持するため,凍結エミュレータを用いてドリフトした試料をデータ多様体に再投影する。 実験により,本手法が実証された。 (i)DynamicPDB-80の多様性を$35\%引き上げる i) 12ドル(約1万2000円)のゼロショット高速フォールディングタンパク質では、学習バイアスだけで非バイアスエミュレータのカバレッジは最大${\sim}15\times$で、改善と組み合わせると最大${\sim}37\times$でカバーでき、低エネルギー状態も最大${\sim}3\times$でカバーできる。 コードはまもなくリリースされる。

関連論文リスト

• Fast, accurate, high-resolution simulation of large-scale Fermi-Hubbard models on a digital quantum processor [2.182919491659049]
  超伝導量子プロセッサ上での1次元Fermi-Hubbardモデルのディジタル量子シミュレーションについて報告する。 我々は、回路の複雑さを低減する効率的なマッピングにより、最大120キュービットでこの問題をエンコードする。 最大90段のトロッターステップを用いて動的進化をシミュレートするために,誤差抑制による精度の向上を行う。
  論文  参考訳（メタデータ） (2026-05-05T17:49:07Z)
• Self-Refining Video Sampling [91.0784344916165]
  本稿では,大規模データセットを学習した事前学習ビデオジェネレータを自己精錬機として利用する簡単な方法である自己精錬ビデオサンプリングを提案する。 最先端のビデオジェネレータの実験では、運動コヒーレンスと物理アライメントが大幅に改善された。
  論文  参考訳（メタデータ） (2026-01-26T15:22:27Z)
• Neural-Network Chemical Emulator for First-Star Formation: Robust Iterative Predictions over a Wide Density Range [0.0]
  本稿では,Population III星形成における熱的および化学的進化のためのニューラルネットワークエミュレータを提案する。 密度範囲を5つのサブリージョンに分割し、各リージョンで個別のディープオペレータネットワーク(DeepONets)をトレーニングする。 ランダムにサンプリングされた熱化学状態に適用すると、エミュレータは温度と化学量の両方のケースの90%以上で10%未満の誤差を達成する。
  論文  参考訳（メタデータ） (2025-08-22T06:11:03Z)
• Lost in Latent Space: An Empirical Study of Latent Diffusion Models for Physics Emulation [14.39804673747056]
  動的システムのエミュレーションに同様の戦略を効果的に適用できるかどうかを検討する。 遅延空間エミュレーションの精度は、広範囲の圧縮速度に対して驚くほど堅牢であることがわかった。 また,拡散型エミュレータは非生成的エミュレータよりも一貫して精度が高いことを示す。
  論文  参考訳（メタデータ） (2025-07-03T13:32:50Z)
• Pseudo-Simulation for Autonomous Driving [66.1981253104508]
  既存の自動運転車(AV)の評価パラダイムは、重大な制限に直面している。 現実世界の評価は、安全上の懸念と現実主義の欠如のためにしばしば困難である。 オープンループ評価は、一般的に複合的なエラーを見落としているメトリクスに依存する。
  論文  参考訳（メタデータ） (2025-06-04T17:57:53Z)
• 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)
• SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
  我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルである。 FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
  論文  参考訳（メタデータ） (2023-10-03T19:24:24Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)

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。