論文の概要: Machine learning kinetics from molecular dynamics data
- arxiv url: http://arxiv.org/abs/2609.17736v1
- Date: Tue, 15 Sep 2026 18:43:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.504624
- Title: Machine learning kinetics from molecular dynamics data
- Title（参考訳）: 分子動力学データに基づく機械学習の動力学
- Abstract要約: 本総説では, 分子シミュレーションによるコミッタおよび関連する統計量の推定手法について概説する。
我々は、生成元に基づく偏微分方程式、変分原理、マルコフ状態モデル、動的ガレルキン近似、ニューラルネットワークを接続する共通作用素視点を開発する。
応用におけるその可能性を実現するための理論的および実践的なガイダンスを提供する。
- 参考スコア（独自算出の注目度）: 3.2228025627337864
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most molecular transitions occur on timescales far beyond direct molecular dynamics simulations. The committor, the probability that a configuration reaches a product state before a reactant state, is a central kinetic statistic, providing a mechanism-independent reaction coordinate and a foundation for transition path theory and the calculation of rates. This review surveys modern approaches for estimating the committor and related kinetic statistics from molecular simulations, with an emphasis on self-supervised methods that learn solutions of their defining dynamical equations rather than relying on labeled shooting data. We develop a common operator viewpoint connecting generator-based partial differential equations, variational principles, Markov state models, dynamical Galerkin approximation, and neural networks. Empirical and theoretical evidence points to the efficiency of these methods. We provide theoretical and practical guidance for realizing their full potential in applications, including strategies for treating non-Markovian effects and for sampling. We conclude by identifying opportunities for further research, including connections to reinforcement learning and generative modeling.
- Abstract（参考訳）: ほとんどの分子遷移は、直接分子動力学シミュレーションを超える時間スケールで起こる。
反応状態の前に構成が生成状態に達する確率であるコミッタは、中心的な運動統計量であり、メカニズムに依存しない反応座標と遷移経路理論の基礎とレートの計算を提供する。
本稿では, 分子シミュレーションからコミッタと関連する運動統計を推定するための現代的な手法を, ラベル付きシューティングデータに頼るのではなく, 動的方程式の解を学習する自己教師型手法に重点を置いて検討する。
我々は、生成元に基づく偏微分方程式、変分原理、マルコフ状態モデル、動的ガレルキン近似、ニューラルネットワークを接続する共通作用素視点を開発する。
実証的および理論的証拠は、これらの手法の効率性を示している。
我々は、非マルコフ効果やサンプリングのための戦略を含む、応用におけるその潜在能力を十分に実現するための理論的および実践的なガイダンスを提供する。
我々は、強化学習や生成モデルとのつながりを含む、さらなる研究の機会を特定することで結論付ける。
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) - A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。
この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。
ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
論文 参考訳（メタデータ） (2026-04-17T15:16:33Z) - Learning Biomolecular Motion: The Physics-Informed Machine Learning Paradigm [0.0]
物理インフォームド機械学習は、データ駆動推論と物理的な制約を統合する体系的なフレームワークを提供する。
我々はこれらのアプローチを「生体分子閉鎖問題」の解として捉えている。
我々は、機械学習、統計物理学、計算化学の交差点における先進的な研究の道について概説する。
論文 参考訳（メタデータ） (2025-11-10T00:24:06Z) - Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。
我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文 参考訳（メタデータ） (2025-10-20T17:56:01Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - 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) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳（メタデータ） (2023-02-04T01:32:40Z) - Kinetics-Informed Neural Networks [0.0]
我々は、通常の微分方程式を解くために、サロゲートモデルを構築するための基礎関数としてフィードフォワード人工ニューラルネットワークを用いる。
正規化多目的最適化設定におけるニューラルネットと運動モデルパラメータの同時学習により,逆問題の解が導かれることを示す。
この逆運動的ODEに対する代理的アプローチは、過渡的なデータに基づく反応機構の解明に役立てることができる。
論文 参考訳（メタデータ） (2020-11-30T00:07:09Z) - A physics-informed operator regression framework for extracting
data-driven continuum models [0.0]
高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。
提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。
局所・非局所拡散過程や単相・多相流など,様々な物理分野における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） (2020-09-25T01:13:51Z) - Representations of molecules and materials for interpolation of
quantum-mechanical simulations via machine learning [0.0]
第一原理から分子や物質の計算的研究は、物理学、化学、材料科学の基盤となっている。
多くのシミュレーションを含む設定では、機械学習は参照シミュレーション間の補間によってこれらのコストを、しばしば桁違いに削減することができる。
我々は、統一された数学的枠組みを用いて、現在の表現とそれらの関係を包括的にレビューし、議論する。
論文 参考訳（メタデータ） (2020-03-26T18:01:35Z)
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。