論文の概要: AquaGen: Scaling generative models to molecular dynamics precision on thousands of atoms
- arxiv url: http://arxiv.org/abs/2607.03513v1
- Date: Fri, 03 Jul 2026 17:39:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.636472
- Title: AquaGen: Scaling generative models to molecular dynamics precision on thousands of atoms
- Title（参考訳）: AquaGen:数千の原子上の分子動力学精度への生成モデルのスケーリング
- Abstract要約: AquaGen, AquaGen, a first all-atom, explicit solvent, periodic-boundary-aware generative model。
この解像度で操作することで、力場エネルギー評価とMDシミュレーションによる後処理が可能になる。
絶対水和自由エネルギー(AHFE)におけるこのパラダイムの有用性を実証し、標準GPUベースのMDと同等の精度で4～10倍の速さで推定する。
- 参考スコア（独自算出の注目度）: 11.503551580974333
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present AquaGen, the first all-atom, explicit solvent, periodic-boundary-condition-aware generative model that produces molecular configurations from the Boltzmann distribution at a fraction of the cost of molecular dynamics (MD). This is in contrast with existing generative models that remove degrees of freedom by operating on coarse-grained, vacuum, or implicit solvent systems. Operating at this resolution allows for post-processing through force field energy evaluations and MD simulations, and enables the prediction of relevant properties in a gray-box manner (as ensemble averages of potential energy evaluations over generated samples). We demonstrate the utility of this paradigm on absolute hydration free energy (AHFE), producing estimates 4-10x faster and with comparable accuracy to standard GPU-based MD. By generating uncorrelated samples from alchemical Boltzmann distributions, we create more accurate, interpretable, and refinable ensemble predictions with calibrated uncertainty estimates, unlike regression methods which are entirely black-box predictors. Our approach also yields predictable benefits from increasing train- and test-time compute, realized by scaling model size and generating more samples, respectively. We believe that this approach demonstrates the utility of high-resolution ensemble generation for free energy estimation, with future potential to replace MD in tasks such as the prediction of lipophilicity, membrane permeability, or absolute binding free energy (ABFE) -- whose grounding and interpretability may be critical for the development of new drugs and materials.
- Abstract（参考訳）: 分子動力学 (MD) のコストのごく一部でボルツマン分布から分子構成を生成する全原子, 明示溶媒, 周期境界条件対応生成モデルAquaGenについて述べる。
これは、粗い粒度、真空または暗黙の溶媒系を操作することによって自由度を除去する既存の生成モデルとは対照的である。
この解像度で運用することで、力場エネルギー評価とMDシミュレーションによる後処理が可能となり、グレーボックス方式で関連する特性を予測できる(生成したサンプルに対するポテンシャルエネルギー評価のアンサンブル平均として)。
絶対水和自由エネルギー(AHFE)におけるこのパラダイムの有用性を実証し、標準GPUベースのMDと同等の精度で4～10倍の速さで推定する。
アルケミカル・ボルツマン分布から非相関なサンプルを生成することにより、完全にブラックボックス予測器である回帰法とは異なり、より正確で解釈可能で、不確かさ推定を校正した補修可能なアンサンブル予測を生成する。
提案手法は,それぞれモデルサイズを拡大し,より多くのサンプルを生成することで実現した,列車時間とテスト時間の計算量の増加による予測可能なメリットも生み出す。
提案手法は,高分解能アンサンブル生成による自由エネルギー推定の有用性を実証し,脂質透過性,膜透過性,絶対結合自由エネルギー(ABFE)といった課題におけるMDの代替の可能性を示すものである。
関連論文リスト
- Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。
Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
論文 参考訳（メタデータ） (2026-02-24T20:52:39Z) - Protein Language Model Embeddings Improve Generalization of Implicit Transfer Operators [10.025462072265706]
分子動力学のための暗黙的伝達演算子のデータ効率と一般化を,補助的な情報源を組み込むことで向上できることを示す。
我々のアプローチであるPLaTITOは、非分布タンパク質系の平衡サンプリングベンチマークにおける最先端の性能を達成する。
論文 参考訳（メタデータ） (2026-02-11T09:26:12Z) - From Regression to Classification: Exploring the Benefits of Categorical Representations of Energy in MLIPs [1.0998907972211756]
密度汎関数理論 (DFT) は分子のエネルギーと挙動を推定するための広く用いられる計算法である。
機械学習原子間ポテンシャル(MLIPs)は、DFTレベルのエネルギーと力を劇的に低い計算コストで近似するよう訓練されたモデルである。
本研究では,エネルギー/力の値に対するカテゴリー分布を予測する多クラス分類の定式化について検討する。
論文 参考訳（メタデータ） (2025-12-01T00:36:42Z) - Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [58.8094854658848]
生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。
本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。
KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
論文 参考訳（メタデータ） (2025-07-01T05:55:28Z) - Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models [50.77646970127369]
本稿では,Fokker-Planck由来の正規化項を用いたエネルギーベース拡散モデルを提案する。
高速折りたたみタンパク質を含む複数の生体分子系をサンプリング・シミュレートし,本手法を実証する。
論文 参考訳（メタデータ） (2025-06-20T16:38:29Z) - Self-Refining Training for Amortized Density Functional Theory [5.5541132320126945]
そこで本稿では,自己修復学習戦略を導入することにより,大規模な事前コンパイルデータセットに対するアモータイズDFTソルバの依存性を低減する手法を提案する。
本手法は, 生成試料と基底状態エネルギーで定義される対象ボルツマン分布との差分を測定するKL偏差の変動上界の最小化として導出する。
論文 参考訳（メタデータ） (2025-06-02T00:32:32Z) - Potential Score Matching: Debiasing Molecular Structure Sampling with Potential Energy Guidance [11.562962976129292]
本稿では、ポテンシャルエネルギー勾配を利用して生成モデルを導出する手法として、ポテンシャルスコアマッチング(PSM)を提案する。
PSMは正確なエネルギー関数を必要とせず、限られた偏りのデータで訓練してもサンプル分布を偏りなくすることができる。
PSMにより生成された分子分布は従来の拡散モデルよりもボルツマン分布に近似していることを示す。
論文 参考訳（メタデータ） (2025-03-18T11:27:28Z) - Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。
適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
論文 参考訳（メタデータ） (2024-11-01T12:59:25Z) - COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs [5.759388420139191]
液体電解質の組成に基づいてクーロン効率(CE)を自動的に予測する新しい手法を提案する。
得られた電解質の特徴を多層パーセプトロンまたはコルモゴロフ・アルノルドネットワークに入力してCEを予測する。
実世界のデータセットを用いた実験結果から,本手法はCE予測のためのSOTAを全ベースラインと比較した結果を得た。
論文 参考訳（メタデータ） (2024-07-24T14:45:25Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳（メタデータ） (2022-04-19T10:51:00Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z)
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。