論文の概要: Graph-Theoretic Neural Network Fragmentation with Covariant Direct Molecular Force Learning: Enabling Coupled-Cluster Accuracy AIMD for Fluxional Systems

• arxiv url: http://arxiv.org/abs/2607.21779v1
• Date: Thu, 23 Jul 2026 19:49:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:56.979385
• Title: Graph-Theoretic Neural Network Fragmentation with Covariant Direct Molecular Force Learning: Enabling Coupled-Cluster Accuracy AIMD for Fluxional Systems
• Title（参考訳）: 共変直接分子力学習を用いたグラフ理論ニューラルネットワークフラグメンテーション:フラクショナルシステムのための結合クラスタ精度AIMDの実現
• Abstract要約: 本稿では,機械学習と統合されたグラフ理論的分子断片化フレームワークを用いて,ハートリー・フォック後の核力のモデル化を行う。 我々のフレームワークは複雑な動的シグネチャと重要な構造特性を再現した。 最終的に、このスケーラブルで体系的に即効的なフレームワークは、高レベルの相関波動関数理論と長時間の反応性サンプリングのギャップを埋める。
• 参考スコア（独自算出の注目度）: 1.476367559174889
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate ab initio molecular dynamics (AIMD) simulations of complex, fluxional chemical systems are severely limited by the high computational scaling of correlated electronic structure methods. To overcome this bottleneck, we present a robust, graph-theoretic molecular fragmentation framework integrated with machine learning to directly model post-Hartree-Fock nuclear forces at coupled cluster accuracy. Bypassing the limitations of automatic differentiation on learned energy surfaces that may struggle with link-atom Jacobians, our approach directly predicts nuclear force vectors. By projecting these vectors onto fragment-fixed principal axes of inertia, we establish co-variant descriptors that naturally preserve rotational, translational, and permutational invariance. The methodology achieves exceptional high parameter efficiency through a vector-valued training protocol that reduces trainable parameters by over an order of magnitude, while an unsupervised mini-batch k-means space tessellation algorithm constructs highly representative training databases using only 10% to 20% of reference configurations. We rigorously validated this framework on the highly fluxional solvated Zundel cation H_{13}O_6^+ ). Our fully machine-learning-predicted AIMD trajectories successfully reproduced complex dynamical signatures and key structural characteristics, including radial distribution functions and the velocity autocorrelation power spectrum. Ultimately, this scalable, systematically improvable framework bridges the gap between high-level correlated wavefunction theories and long-timescale reactive sampling, laying the foundation for advanced, LLM-inspired transfer learning in modern chemical dynamics simulations.
• Abstract（参考訳）: 複雑なフラクショナル化学系の精密アブ初期分子動力学(AIMD)シミュレーションは、相関電子構造法の高い計算スケーリングによって著しく制限される。 このボトルネックを克服するために、我々は機械学習と統合された頑健でグラフ理論的な分子断片化フレームワークを提案し、クラスタの精度でHartree-Fock後の原子間力を直接モデル化する。 リンク原子ジャコビアンと競合する学習エネルギー表面における自動微分の限界を乗り越えることで、我々のアプローチは核力ベクトルを直接予測する。 これらのベクトルをイナーシャのフラグメント固定された主軸に射影することにより、自然に回転、翻訳、置換不変性を保った共変記述子を確立する。 この手法は、訓練可能なパラメータを桁違いに削減するベクトル値トレーニングプロトコルを通じて、例外的な高パラメータ効率を実現する一方、教師なしのミニバッチk平均空間テッセルレーションアルゴリズムは、参照構成の10%から20%しか使用せずに、高度に代表的なトレーニングデータベースを構築する。 高度にフラクタル化されたズンデルカチオンH_{13}O_6^+ 上で,この枠組みを厳密に検証した。 我々の完全機械学習予測AIMD軌道は、放射分布関数や速度自己相関パワースペクトルを含む複雑な動的シグネチャと重要な構造特性の再現に成功した。 最終的に、このスケーラブルで体系的に実装可能なフレームワークは、高レベルの相関波動関数理論と長時間の反応サンプリングのギャップを埋め、現代の化学力学シミュレーションにおけるLLMにインスパイアされた伝達学習の基礎を築いた。

関連論文リスト

• Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations [0.3024996106292169]
  第一原理原子論シミュレーションは複雑な物質現象を理解するのに不可欠であるが、その計算コストによって根本的に制限される。 本稿では,E(3)-equivariant Allegroアーキテクチャに基づくマルチフィデリティな"Mixture-of-Experts"フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-28T22:04:05Z)
• 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)
• From Complex Dynamics to DynFormer: Rethinking Transformers for PDEs [6.873342825786888]
  トランスフォーマーベースのニューラルオペレータは、強力なデータ駆動型代替手段として登場した。 動的インフォームドニューラル演算子DynFormerを提案する。 我々はDynFormerが、最先端のベースラインと比較して95%の相対誤差を削減できることを示す。
  論文  参考訳（メタデータ） (2026-03-03T15:45:09Z)
• Unified Biomolecular Trajectory Generation via Pretrained Variational Bridge [19.279397111680115]
  本稿では,初期構造を雑音のある潜在空間にマッピングし,ステージ固有の目標に向けて輸送する,事前訓練変分橋(PVB)を提案する。 これにより、単一構造とペアの軌道データの両方のトレーニングを統一し、ドメイン間の構造的知識を一貫した使用を可能にする。 タンパク質とタンパク質-リガンド複合体の実験により、PVBはMDから熱力学的および運動論的観測物を忠実に再現し、安定かつ効率的な生成力学を提供することを示した。
  論文  参考訳（メタデータ） (2026-02-07T15:32:37Z)
• PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling [47.029742241618635]
  大規模言語モデル(LLM)に基づくマルチエージェントシステムでは,表現的エージェント推論が可能であるが,拡張性は高く,時間段階整合状態遷移シミュレーションではキャリブレーションが不十分である。 本研究では,推論を行動コヒーレントなエージェントクラスタにシフトさせる物理AgentABMを提案する。 公衆衛生、ファイナンス、社会科学における実験は、機械的、神経的、LLMベースラインに対する事象時の精度と校正において一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-05T18:59:01Z)
• Interpretable Machine Learning for Quantum-Informed Property Predictions in Artificial Sensing Materials [40.34973869620865]
  デジタルセンシングは、身体の臭気ボラティローム(BOV)へのカスタマイズEノイズの適用性を高めるための持続可能な方法の開発において課題に直面している 我々は,e-nose分子構築ブロックの量子力学(QM)特性データを機械学習(ML)手法と統合し,センシング関連特性を予測する計算フレームワークMORE-MLを開発した。
  論文  参考訳（メタデータ） (2026-01-01T22:56:07Z)
• Physically Interpretable Representation Learning with Gaussian Mixture Variational AutoEncoder (GM-VAE) [37.18249990338269]
  本研究では,高次元科学的データから物理的に解釈可能な表現を抽出するための変分オートエンコーダ(GM-VAE)フレームワークを提案する。 再建とクラスタリングを協調的に最適化する従来のVAEとは異なり,本手法はブロック座標降下戦略を利用する。 学習した表現を客観的に評価するために,グラフ-ラプラシアン滑らか度に基づく計量を導入し,潜在多様体全体の物理的不安定性のコヒーレンスを測定する。
  論文  参考訳（メタデータ） (2025-11-26T20:04:38Z)
• KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
  本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。 そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。 この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T13:58:29Z)
• Machine learning surrogate models of many-body dispersion interactions in polymer melts [40.83978401377059]
  本稿では,高分子融液中のMBD力を予測するための機械学習サロゲートモデルを提案する。 我々のモデルは、最も関連する原子結合を選択的に保持する、トリミングされたSchNetアーキテクチャに基づいている。 高計算効率で特徴付けられるサロゲートモデルにより、大規模な分子シミュレーションにMBD効果を実践的に組み込むことが可能となる。
  論文  参考訳（メタデータ） (2025-03-19T12:15:35Z)
• 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)

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。