論文の概要: ASTEROID: A Spatiotemporal Information Transformer for Forecasting Multi-Step Time Series of Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2606.17668v1
• Date: Tue, 16 Jun 2026 08:30:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.35603
• Title: ASTEROID: A Spatiotemporal Information Transformer for Forecasting Multi-Step Time Series of Molecular Dynamics
• Title（参考訳）: ASTEROID:分子動力学のマルチステップ時系列予測のための時空間情報変換器
• Authors: Kexin Wu, Luonan Chen, Renxiao Wang,
• Abstract要約: 我々は,多段階原子座標を直接予測できるデータ駆動型フレームワーク ASTEROID を開発した。 ASTEROIDはMDトラジェクトリを高テンポラルシーケンスとして再構成し、時空間情報(STI変換)方程式をトランスフォーマーアーキテクチャに統合する。 以上の結果から,ASTEROIDは様々なベンチマークにおいて既存の手法よりも精度が高いことが示唆された。
• 参考スコア（独自算出の注目度）: 0.4369550829556577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular dynamics (MD) simulation is computationally demanding, particularly for large-scale systems requiring long-term analysis. Accurate forecast of the outcomes of a MD simulation is not only an attractive scientific challenge but also has substantial practical value. In this work, we developed a data-driven framework, termed ASTEROID (Advanced Spatiotemporal TransformER fOr Inferring Dynamics), that can directly predict multi-step atomic coordinates, avoiding conventional iterative integration. For this purpose, our ASTEROID reformulates MD trajectories as high-dimensional spatiotemporal sequences and integrates the Spatiotemporal Information (STI) Transformation equation into a Transformer architecture. The core innovation of ASTEROID lies in its ability to model multiscale spatiotemporal dependencies. In particular, for spatial dependencies, a local-global self-attention mechanism captures both short- and long-range interactions. For temporal dependencies, an encoder-decoder structure integrates global context with autoregressive forecasting. ASTEROID was evaluated on several quantum-mechanics derived molecular datasets. Our results indicate that ASTEROID achieved not only a higher level of accuracy in multi-step prediction than existing methods on various benchmarks, but also significantly reduced computational cost of conventional MD simulation. Moreover, the model supports iterative multi-step forecasting over an extended time scale. This work establishes a robust and generalizable data-driven paradigm for accelerating MD simulations.
• Abstract（参考訳）: 分子動力学(MD)シミュレーションは、特に長期解析を必要とする大規模システムにおいて、計算的に要求される。 MDシミュレーションの結果の正確な予測は、魅力的な科学的課題であるだけでなく、実際的な価値もある。 本研究では,ASTEROID(Advanced Spatiotemporal TransformER fOr Inferring Dynamics)と呼ばれるデータ駆動型フレームワークを開発した。 この目的のために、ASTEROIDはMDトラジェクトリを高次元時空間列として再構成し、時空間情報(STI)変換方程式を変換器アーキテクチャに統合する。 ASTEROIDの中核的な革新は、マルチスケールの時空間依存をモデル化できることにある。 特に空間的依存に対しては、局所的な自己認識機構が短距離と長距離の両方の相互作用をキャプチャする。 時間的依存関係については、エンコーダ・デコーダ構造がグローバルコンテキストと自己回帰予測を統合している。 ASTEROIDはいくつかの量子力学由来の分子データセットで評価された。 この結果から, ASTEROIDは, 従来のベンチマーク手法よりも精度が高いだけでなく, 従来のMDシミュレーションの計算コストを大幅に削減できることがわかった。 さらに、このモデルは、拡張された時間スケールで反復的な多段階予測をサポートする。 この研究は、MDシミュレーションを加速するための堅牢で一般化可能なデータ駆動パラダイムを確立する。

関連論文リスト

• Align Your Structures: Generating Trajectories with Structure Pretraining for Molecular Dynamics [57.2871599860811]
  MD軌道生成のための構造事前学習を利用する新しいフレームワークを提案する。 提案手法は,MDトラジェクトリデータの不足を軽減するために,豊富な構造データを効果的に活用する。 実験結果から,本手法は化学的に現実的なMDトラジェクトリの生成に優れていることが確認された。
  論文  参考訳（メタデータ） (2026-04-05T00:37:28Z)
• Generative prediction of laser-induced rocket ignition with dynamic latent space representations [0.8420954028849682]
  本稿では、畳み込みオートエンコーダ(cAE)とニューラル常微分方程式(ニューラルODE)を組み合わせたデータ駆動サロゲート手法を提案する。 このアプローチは、レーザー点火ロケット燃焼器のリアルタイムデジタルツインに向けた重要なステップである。
  論文  参考訳（メタデータ） (2026-03-08T08:28:24Z)
• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• Artificial Intelligence for Direct Prediction of Molecular Dynamics Across Chemical Space [0.0]
  分子動力学(MD)は原子系の挙動を探索する強力なツールであるが、逐次的な数値積分によるシミュレーションの効率化に依存している。 本稿では,新しいニューラルネットワークアーキテクチャMDtrajNetと,事前学習した基礎モデルMDtrajNet-1を提案する。 MDtrajNetは化学空間をまたいだMD軌道を直接生成し、力計算と積分をバイパスする。
  論文  参考訳（メタデータ） (2025-05-22T06:56:19Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• 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)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)

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。