論文の概要: Speculative Sampling For Faster Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2606.02455v1
• Date: Mon, 01 Jun 2026 16:25:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.501652
• Title: Speculative Sampling For Faster Molecular Dynamics
• Title（参考訳）: より高速な分子動力学のための投機サンプリング
• Authors: Arthur Kosmala, Stephan Günnemann, Meng Gao, Brandon Wood,
• Abstract要約: 分子動力学(MD)を加速するための投機的サンプリング装置であるLangevin Speculative Dynamics (LSD)を紹介する。 言語と拡散モデルにおける投機的手法にインスパイアされたLSDは、高速なシミュレーションステップの提案にドラフトモデルを使用し、より遅いターゲットモデルと並列に検証する。 また,LSDが対象モデル分布からトラジェクトリを抽出したことを理論的,実証的に確認した。
• 参考スコア（独自算出の注目度）: 44.55100584955921
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular dynamics (MD) is a key tool for simulating the dynamical behavior of atomic systems. However, MD is inherently serial, which makes it difficult to increase single-system throughput with concurrent compute. To address this, we introduce Langevin Speculative Dynamics (LSD), a distributed and model-agnostic speculative sampler for accelerating MD without adding relative error. Inspired by speculative methods in language and diffusion modeling, LSD uses a draft model to propose fast simulation steps and verifies them in parallel with a slower target model, applying a transport map from the draft to the target distribution. We extend speculative sampling to second-order Langevin dynamics, derive the achievable speedup as a function of physical parameters, show that LSD generalizes across different systems and draft-target combinations with a 3-9x speedup, and confirm theoretically and empirically that LSD samples trajectories from its target model distribution.
• Abstract（参考訳）: 分子動力学(MD)は、原子系の動的挙動をシミュレートするための重要なツールである。 しかし、MDは本質的にシリアルであるため、並列計算によるシングルシステムスループットの向上は困難である。 そこで本研究では,MDを高速化する分散型およびモデル非依存型投機型投機であるLangevin Speculative Dynamics (LSD)について,相対誤差を加えることなく紹介する。 言語と拡散モデルにおける投機的手法にインスパイアされたLSDは、高速なシミュレーションステップの提案にドラフトモデルを使用し、より遅いターゲットモデルと並列に検証し、ドラフトからのトランスポートマップをターゲット分布に適用する。 投機的サンプリングを2次ランゲヴィンダイナミクスに拡張し、物理パラメータの関数として達成可能なスピードアップを導出し、LSDが異なるシステムと3-9倍のスピードアップとドラフト・ターゲットの組み合わせを一般化し、LSDが対象モデル分布からトラジェクトリを抽出することを理論的および経験的に確認することを示す。

関連論文リスト

• Generalization capabilities and robustness of hybrid models grounded in physics compared to purely deep learning models [2.8686437689115363]
  本研究では,流体力学応用における物理原理に基づく純粋深層学習モデルとハイブリッドモデルの一般化能力と堅牢性について検討する。 3つの自己回帰モデルを比較した: 適切な分解(POD)と長期記憶(LSTM)層を組み合わせたハイブリッドモデル(POD-DL)、畳み込みLSTM層を組み合わせた畳み込みオートエンコーダ(VAE)とConvLSTM層を組み合わせた変分オートエンコーダ(VAE)。 VAEモデルとConvLSTMモデルが正確に層流を予測する一方で、ハイブリッドPOD-DLモデルは他のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-04-27T12:43:02Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• A Score-based Geometric Model for Molecular Dynamics Simulations [33.158796937777886]
  分子配座のログ密度の勾配を推定する新しいモデルScoreMDを提案する。 複数のアーキテクチャの改善により、MD17とC7O2H10の異性体において最先端のベースラインよりも優れています。 この研究は、新しい物質の加速と薬物発見に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2022-04-19T05:13:46Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)

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。