論文の概要: Stochastic Control Policies for Robust Molecular Transition Path Sampling

• arxiv url: http://arxiv.org/abs/2608.13800v1
• Date: Thu, 13 Aug 2026 22:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.217962
• Title: Stochastic Control Policies for Robust Molecular Transition Path Sampling
• Title（参考訳）: ロバスト分子遷移経路サンプリングのための確率制御法
• Abstract要約: 遷移経路サンプリング(TPS)は、準安定状態間の希少な分子遷移軌道を効率的に生成することを目的としている。 制御ポリシ出力を直接パラメータ化するFS-TPSと、それを構造化された原子間相関力変化にデコードするLaS-TPSの2つの提案ポリシーを開発する。 我々は, アラニンジペプチド, キグノリン, 高速折りたたみタンパク質BBLの3種類の生体分子系の多系統実験を行った。
• 参考スコア（独自算出の注目度）: 10.14347730979027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transition path sampling (TPS) aims to efficiently generate rare molecular transition trajectories between metastable states and is essential for understanding biomolecular mechanisms. Beyond traditional molecular dynamics (MD)-based sampling, machine learning has become central to state-of-the-art TPS. One major class of methods learns control forces during explicit MD rollouts. By preserving the underlying molecular dynamics, these methods tend to produce more physically plausible trajectories than endpoint-conditioned generators that construct paths directly. However, rollout-based control methods have been reported to exhibit unstable and strongly seed-dependent performance. We recast rollout-based control as learning a path-space proposal distribution and investigate stochasticity placement as a design choice for improving exploration and optimization robustness. We develop two stochastic policies: FS-TPS, which directly parameterizes a state-dependent Gaussian distribution over the control policy output, and LaS-TPS, which samples a compact latent control variable and decodes it into structured, cross-atom-correlated force variation. We conduct extensive multi-seed experiments on three biomolecular systems of increasing size: alanine dipeptide, chignolin, and BBL, a fast-folding protein. Stochastic policies consistently improve transition success and path quality over deterministic-policy baselines while substantially reducing sensitivity to random initialization.
• Abstract（参考訳）: 遷移経路サンプリング(TPS)は、準安定状態間の希少な分子遷移軌道を効率的に生成することを目的としており、生体分子機構を理解するのに不可欠である。 従来の分子動力学(MD)に基づくサンプリング以外にも、機械学習は最先端のTPSの中心となっている。 方法の1つの主要なクラスは、明示的なMDロールアウト中に制御力を学ぶ。 基礎となる分子動力学を保存することにより、これらの手法は経路を直接構築するエンドポイント条件のジェネレータよりも物理的に妥当な軌道を生成する傾向にある。 しかし、ロールアウトに基づく制御手法は不安定で強い種に依存した性能を示すと報告されている。 我々は,経路空間の提案分布を学習する手段としてロールアウト制御を再考し,探索と最適化の堅牢性向上のための設計選択として確率配置を検討する。 制御ポリシ出力上で状態依存ガウス分布を直接パラメータ化するFS-TPSと、コンパクトな潜在制御変数をサンプリングし、それを構造化された原子間相関力変動にデコードするLaS-TPSという2つの確率的ポリシーを開発する。 我々は, アラニンジペプチド, キグノリン, 高速折りたたみタンパク質BBLの3種類の生体分子系の多系統実験を行った。 確率的政策は、決定論的・政治的基準よりも遷移の成功と経路品質を継続的に改善し、ランダム初期化に対する感受性を著しく低下させる。

関連論文リスト

• From Noise to Control: Parameterized Diffusion Policies [54.941343992110426]
  本研究では,学習行動多様体に埋め込まれた連続パラメータに条件付き拡散ポリシーを学習するためのフレームワークを提案する。 政策重みを更新することなく、既知の戦略間の円滑な距離と、新しい制約への効率的な適応を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T20:21:50Z)
• Iterative Refinement of Flow Policies in Probability Space for Online Reinforcement Learning [56.47948583452555]
  固定ステップのEulerスキームによるフローマッチング推論プロセスの離散化は,最適輸送から変化するJordan-Kinderlehrer-Otto原理と整合する,というキーインサイトに基づいて,SWFP(Stepwise Flow Policy)フレームワークを紹介した。 SWFPは、大域的な流れを、プロキシメート分布間の小さな漸進的な変換の列に分解する。 この分解は、小さな流れブロックのカスケードを介して事前訓練された流れを微調整する効率的なアルゴリズムを導き、大きな利点をもたらす。
  論文  参考訳（メタデータ） (2025-10-17T07:43:51Z)
• Follow the MEP: Scalable Neural Representations for Minimum-Energy Path Discovery in Molecular Systems [6.257560917160816]
  本稿では,高速かつスケーラブルなニューラル最適化問題としてMEP発見を再構成する手法を提案する。 3500以上の原子を持つBPTI系を含む2つのタンパク質に対するこのアプローチを実証した。
  論文  参考訳（メタデータ） (2025-04-23T03:02:29Z)
• 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)
• Transition Path Sampling with Improved Off-Policy Training of Diffusion Path Samplers [10.210248065533133]
  本稿では,拡散経路サンプリング問題に対処するために拡散経路サンプリング器(DPS)を訓練する新しい手法を提案する。 DPSにより誘導される経路分布と遷移経路分布との対数分散を最小化することにより、遷移経路分布からの償却サンプリングとして問題を再構築する。 我々は、TPS-DPSと呼ばれる我々のアプローチを、合成系、小ペプチド、高速折りたたみタンパク質で広範囲に評価し、既存のベースラインよりも現実的で多様な遷移経路を生み出すことを実証した。
  論文  参考訳（メタデータ） (2024-05-30T11:32:42Z)
• 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)
• Augmenting Control over Exploration Space in Molecular Dynamics Simulators to Streamline De Novo Analysis through Generative Control Policies [0.0]
  分子動力学シミュレーション(MD)における強化学習(RL)を用いた制御, 有効性, 拡張性向上のための基礎的手法であるP5モデルを提案する。 我々の革新的な戦略は、標的となるポリマー鎖の配座のサンプリングを最適化し、37.1%以上の効率改善を図った。
  論文  参考訳（メタデータ） (2023-06-26T13:54:52Z)
• Stochastic Optimal Control for Collective Variable Free Sampling of Molecular Transition Paths [60.254555533113674]
  分子系の2つの準安定状態間の遷移経路をサンプリングする問題を考察する。 本稿では,その遷移をサンプリングする機械学習手法を提案する。
  論文  参考訳（メタデータ） (2022-06-27T14:01:06Z)
• Generative methods for sampling transition paths in molecular dynamics [0.0]
  1つの準安定状態と他の状態とをリンクする遷移経路のシミュレーションは、直接数値法により困難である。 本稿では,変分オートエンコーダなどの生成モデルに基づくサンプリング手法と,強化学習に基づく重要サンプリング手法について検討する。
  論文  参考訳（メタデータ） (2022-05-05T17:50:10Z)
• Evolutionary Stochastic Policy Distillation [139.54121001226451]
  本稿では,GCRS課題を解決するための進化的政策蒸留法(ESPD)を提案する。 ESPDは、政策蒸留(PD)技術により、ターゲットポリシーを一連の変種から学習することを可能にする MuJoCo制御系に基づく実験により,提案手法の学習効率が向上した。
  論文  参考訳（メタデータ） (2020-04-27T16:19:25Z)

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。