論文の概要: Implicit Machine Learning Force Fields Accelerate Molecular Dynamics Simulations

• arxiv url: http://arxiv.org/abs/2607.29158v1
• Date: Fri, 31 Jul 2026 08:38:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.65389
• Title: Implicit Machine Learning Force Fields Accelerate Molecular Dynamics Simulations
• Title（参考訳）: Inlicit Machine Learning Force FieldsAccelerate Molecular Dynamics Simulations
• Abstract要約: 我々は、ニューラルネットワーク層の明示的なスタックを自己一貫性のある固定点方程式に置き換える暗黙の機械学習力場(I-MLFF)を導入する。 分子シミュレーションにおいて、この定式化は、中間表現を連続した時間ステップで再利用し、熱開始力の評価を可能にする。 我々の貢献は、量子力学的に忠実な分子シミュレーションのスケーリングフロンティアを前進させ、固定されたGPUメモリと計算予算内の長い軌道とより大きな原子システムを可能にします。
• 参考スコア（独自算出の注目度）: 10.051512224581044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce implicit machine learning force fields (I-MLFFs), which replace explicit stacks of neural network layers with self-consistent fixed-point equations. In molecular simulations, this formulation enables intermediate representations to be reused across successive timesteps, thereby warm-starting force evaluation. The resulting models effectively combine the computational footprint of a shallow, single-layer MLFF with the representational capacity and accuracy of a deep neural network. Our approach unlocks architecture-agnostic efficiency gains that are inaccessible when force prediction and trajectory integration are considered separately. We demonstrate this across three major classes of graph neural networks: invariant, equivariant Cartesian tensor, and SO(3)-equivariant spherical-tensor architectures. Each yields a two- to five-fold reduction in compute and memory footprint. Crucially, these gains are achieved while retaining full atomistic resolution and the original integration timestep, avoiding spatial or temporal coarse graining. Our contribution therefore advances the scaling frontier of quantum-mechanically faithful molecular simulation, enabling longer trajectories and larger atomistic systems within fixed GPU memory and compute budgets, and thereby opening access to new insights across biomolecular and material systems.
• Abstract（参考訳）: 我々は、ニューラルネットワーク層の明示的なスタックを自己一貫性のある固定点方程式に置き換える暗黙の機械学習力場(I-MLFF)を導入する。 分子シミュレーションにおいて、この定式化は、中間表現を連続した時間ステップで再利用し、熱開始力の評価を可能にする。 得られたモデルは、浅い単層MLFFの計算フットプリントとディープニューラルネットワークの表現能力と精度を効果的に組み合わせる。 我々のアプローチは、力予測と軌道積分を別々に考えると、アクセシブルなアーキテクチャ非依存の効率向上を解放する。 これは、不変、同変カルトテンソル、SO(3)同変球面テンソルアーキテクチャの3つの主要なグラフニューラルネットワークのクラスにまたがる。 それぞれが計算とメモリフットプリントを2倍から5倍に削減する。 重要なことに、これらの利得は、完全な原子分解能と元の統合タイムステップを維持しながら達成され、空間的または時間的粗粒化を避ける。 したがって、我々の貢献は量子力学的に忠実な分子シミュレーションのスケーリングフロンティアを前進させ、固定されたGPUメモリと計算予算内の長い軌道とより大きな原子論システムを可能にし、それによって生体分子および物質システム全体にわたる新しい洞察へのアクセスを開放する。

関連論文リスト

• Graph-Theoretic Neural Network Fragmentation with Covariant Direct Molecular Force Learning: Enabling Coupled-Cluster Accuracy AIMD for Fluxional Systems [1.476367559174889]
  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。
  論文  参考訳（メタデータ） (2026-07-23T19:49:22Z)
• Multimodal Molecular Representation Learning with Graph Neural Networks, Deep & Cross Networks, and SMILES Embeddings [2.9593641578445258]
  3次元空間幾何学(SchNet)、離散トポロジカル文法(SMILES via ChemBERTa)、明示的なマクロ的物理化学的記述子(Deep & Cross Network)の3つのモードを合成するパラメータ効率のよいTri-Branch Modular Fusion Networkを導入する。 100万未満のパラメータで操作すると、このアーキテクチャは決定的に準化学的精度の閾値を超え、厳密に制御された幾何学的基準に対して20.6%の削減をもたらす。
  論文  参考訳（メタデータ） (2026-07-07T01:47:44Z)
• Attention mechanism for scalable mesh-based neural surrogates of free-surface fluids [0.0]
  粒子有限要素法(PFEM)のようなラグランジアン法による自由表面流れの高忠実度シミュレーションを計算的に要求する。 この問題は非ニュートンのレオロジーによってさらに増幅され、材料非線形性は計算コストを増大させる。 自由表面流れのPFEMシミュレーションのための自己アテンションに基づくニューラルサロゲートを提案する。
  論文  参考訳（メタデータ） (2026-06-22T12:33:55Z)
• Non-linear mechanical field reconstruction coupling recurrent neural networks with physics-informed graph neural networks [0.6978367196609415]
  局所応力場再構成の時間的側面と空間的側面を結合したLSTMGNNフレームワークを提案する。 線形ウォームアップによる相対重み付け戦略を導入し,データ駆動型再構成損失と離散発散型平衡ペナルティのバランスをとる。 このモデルは有限要素シミュレーションよりも3桁のスピードアップを達成し、累積誤差1.9%でトレーニング長の2倍の負荷列に一般化する。
  論文  参考訳（メタデータ） (2026-06-09T14:20:39Z)
• Adaptive Mesh-Quantization for Neural PDE Solvers [51.26961483962011]
  グラフニューラルネットワークは複雑なジオメトリや境界条件に必要な不規則なメッシュを処理できるが、それでもすべてのノードで一様計算処理を適用できる。 適応メッシュ量子化(Adaptive Mesh Quantization): メッシュノード,エッジ,クラスタ特徴間の空間適応量子化であり,量子化モデルで使用されるビット幅を動的に調整する。 我々は,MP-PDEとGraphViTという2つの最先端モデルと統合して,複数のタスクのパフォーマンスを評価することで,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-23T14:47:24Z)
• Fractional neural attention for efficient multiscale sequence processing [0.0]
  マルチスケール情報処理の原理的フレームワークであるFNA(Frictional Neural Attention)を導入する。 FNAは、ラプラシアン分数によって支配されるレヴィ拡散によるトークン相互作用をモデル化する。 FNAは、単一の層と単一のヘッドであっても、競合するテキスト分類性能を達成する。
  論文  参考訳（メタデータ） (2025-11-13T11:27:39Z)
• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• Time Marching Neural Operator FE Coupling: AI Accelerated Physics Modeling [3.0635300721402228]
  本研究は、物理インフォームド・ディープ・オペレーター・ネットワークをドメイン分解によりFEMと統合する新しいハイブリッド・フレームワークを導入する。 動的システムの課題に対処するため、DeepONetに直接タイムステッピングスキームを組み込み、長期エラーの伝搬を大幅に低減する。 提案手法は, 従来手法に比べて収束率を最大20%向上させるとともに, 誤差マージンが3%未満の解の忠実度を保ちながら, 収束率の高速化を図っている。
  論文  参考訳（メタデータ） (2025-04-15T16:54:04Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。