論文の概要: Stein Kernelized Molecular Dynamics for Active Learning of Interatomic Potentials

• arxiv url: http://arxiv.org/abs/2606.04100v1
• Date: Tue, 02 Jun 2026 18:07:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.306391
• Title: Stein Kernelized Molecular Dynamics for Active Learning of Interatomic Potentials
• Title（参考訳）: 原子間ポテンシャルの能動的学習のためのステインカーネル化分子動力学
• Authors: Joanna Zou, Fraser Birks, Dallas Foster, Youssef Marzouk,
• Abstract要約: 機械学習原子間ポテンシャル(MLIP)は、効率的で正確な原子論シミュレーションを可能にするが、トレーニングデータの品質と多様性に極めて依存する。 本稿では,Stein kernelized molecular dynamics (SKMD)について紹介する。これは,相互作用する粒子動力学を用いて,MLIPの能動的学習および微調整のための情報的トレーニング構成を取得するための拡張サンプリング手法である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning interatomic potentials (MLIPs) enable efficient and accurate atomistic simulations but depend critically on the quality and diversity of the training data. We introduce Stein kernelized molecular dynamics (SKMD), an enhanced sampling method that uses interacting particle dynamics to acquire informative training configurations for the active learning and fine-tuning of MLIPs. SKMD corresponds to a stochastic variant of Stein variational gradient descent that is adapted for molecular dynamics by incorporating asynchronous particle updates and a kernel of global atomic descriptors, which provides a symmetry-aware measure of configurational similarity. Unlike other enhanced samplers used in molecular dynamics, SKMD preserves the Boltzmann distribution as the asymptotic distribution of the dynamics. This property enforces a balance between the exploration of diverse configurations and attraction toward high-probability regions of the energy landscape. We further propose an approach to efficient online data acquisition using an adaptive stopping criterion that selects non-redundant training data over the course of simulation. We demonstrate SKMD for the active learning of a neural network model of the Müller-Brown potential and the fine-tuning of a MACE interatomic potential for alanine dipeptide. Compared to active learning baselines, our method achieves higher model accuracy in fewer training iterations with the same number of acquired training samples.
• Abstract（参考訳）: 機械学習原子間ポテンシャル(MLIP)は、効率的で正確な原子論シミュレーションを可能にするが、トレーニングデータの品質と多様性に極めて依存する。 本稿では,Stein kernelized molecular dynamics (SKMD)について紹介する。これは,相互作用する粒子動力学を用いて,MLIPの能動的学習および微調整のための情報的トレーニング構成を取得するための拡張サンプリング手法である。 SKMDは、非同期粒子更新と大域原子ディスクリプタのカーネルを組み込むことにより分子動力学に適応するスタイン変分勾配勾配の確率的変分に対応する。 分子動力学で用いられる他の強化標本とは異なり、SKMDはボルツマン分布を力学の漸近分布として保存する。 この性質は、多様な構成の探索とエネルギー景観の高確率領域へのアトラクションのバランスを保っている。 さらに,非冗長なトレーニングデータを選択する適応的停止基準を用いて,効率的なオンラインデータ取得手法を提案する。 我々は、Müller-Brown電位のニューラルネットワークモデルの能動的学習と、アラニンジペプチドに対するMACE原子間ポテンシャルの微調整について、SKMDを実証した。 能動学習ベースラインと比較して,本手法は,取得した学習サンプル数と同数のトレーニング反復数を減らし,モデル精度を向上する。

関連論文リスト

• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• 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)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Super-resolution in Molecular Dynamics Trajectory Reconstruction with Bi-Directional Neural Networks [0.0]
  機械学習(ML)の異なる手法を探索し、後処理のステップで分子動力学軌道の解像度をオンデマンドで向上する。 サーモスタット軌道の局所的時間対称性を利用して、長距離相関を学習し、分子の複雑さにまたがる雑音のダイナミックスに対して高いロバスト性を示すことができる。
  論文  参考訳（メタデータ） (2022-01-02T23:00:30Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• SE(3)-Equivariant Graph Neural Networks for Data-Efficient and Accurate Interatomic Potentials [0.17590081165362778]
  NequIPは分子動力学シミュレーションのためのab-initio計算から原子間電位を学習するためのSE(3)等価ニューラルネットワークアプローチである。 この方法は、顕著なデータ効率を示しながら、様々な分子や材料の挑戦的な集合に対して最先端の精度を達成する。
  論文  参考訳（メタデータ） (2021-01-08T18:49:10Z)

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。