論文の概要: Langevin Flow Maps: Efficient Molecular Dynamics and Transition Path Sampling

• arxiv url: http://arxiv.org/abs/2610.05998v1
• Date: Mon, 05 Oct 2026 08:51:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 19:36:57.600187
• Title: Langevin Flow Maps: Efficient Molecular Dynamics and Transition Path Sampling
• Title（参考訳）: Langevin Flow Maps: 効率的な分子動力学と遷移経路サンプリング
• Abstract要約: 本稿では,Langevin インテグレータを学習するために,機械学習力場を拡張したLangevin Flow Mapsを紹介する。 本稿では,Langevin Flow Mapsにより,現在の機械学習力場よりも桁違いに高速に動作しながら,大規模分子動力学を実現できることを示す。
• 参考スコア（独自算出の注目度）: 43.88908843608886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular dynamics simulations proceed by integrating the Langevin equations over many small femtosecond timesteps. This poses a challenge for estimating ensemble properties and transition dynamics that occur on much longer timescales. We introduce Langevin Flow Maps, which extend machine-learned force-fields to additionally learn the stochastic Langevin integrator. We show that Langevin Flow Maps enable large-timestep molecular dynamics and recover accurate dynamical properties of the system, while running an order of magnitude faster than current machine-learned force fields. Further, by training on a diverse molecular dataset, we demonstrate a path towards transferable Langevin Flow Maps.
• Abstract（参考訳）: 分子動力学シミュレーションは、多くの小さなフェムト秒時間ステップにランゲヴィン方程式を統合することで進行する。 これは、はるかに長い時間スケールで発生するアンサンブル特性と遷移ダイナミクスを推定する上での課題である。 本稿では,機械学習力場を拡張したLangevin Flow Mapsを導入し,確率的Langevin積分器を学習する。 本稿では,Langevin Flow Mapsにより,大規模分子動力学とシステムの正確な動的特性の復元が可能であり,現在の機械学習力場よりも桁違いに高速に動作可能であることを示す。 さらに,多様な分子データセットをトレーニングすることにより,移動可能なLangevin Flow Mapsへの道筋を示す。

関連論文リスト

• Learning Hamiltonian Flow Maps: Mean Flow Consistency for Large-Timestep Molecular Dynamics [16.337945610431785]
  我々は、選択した時間領域における平均位相空間の進化を予測することによって、ハミルトンフローマップを学習するためのフレームワークを導入する。 特に,機械学習力場を用いた分子動力学シミュレーションを改良した。
  論文  参考訳（メタデータ） (2026-01-29T18:47:46Z)
• From Black Hole to Galaxy: Neural Operator: Framework for Accretion and Feedback Dynamics [70.27068115318681]
  ニューラルベースの「サブグリッドブラックホール」を導入し、小さな局所力学を学習し、直接シミュレーションに組み込む。 微細な進化の大きなスピードアップにより、我々は、降着駆動のフィードバックで固有の変動を捉え、中心ブラックホールと銀河スケールのガスの動的結合を可能にした。
  論文  参考訳（メタデータ） (2025-12-01T11:47:49Z)
• Path Gradients after Flow Matching [5.729426778193399]
  フローマッチングが継続的正規化フロー(CNF)の高速化に役立った フローマッチングによって訓練されたCNFの微調整に経路勾配を用いることの利点について検討する。 実験により, このハイブリッドアプローチは, 分子系のサンプリング効率を最大3倍に向上させることが示された。
  論文  参考訳（メタデータ） (2025-05-15T10:13:45Z)
• HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid Prediction [66.38369833561039]
  HelmFluidは流体の正確かつ解釈可能な予測器である。 ヘルムホルツの定理に触発され、ヘルムホルツの力学を学ぶためにヘルム力学ブロックを設計する。 HelmDynamicsブロックをマルチスケールのマルチヘッド積分アーキテクチャに埋め込むことで、HelmFluidは学習したHelmholtzダイナミクスを複数の空間スケールで時間次元に沿って統合することができる。
  論文  参考訳（メタデータ） (2023-10-16T16:38:32Z)
• Transport map unadjusted Langevin algorithms: learning and discretizing perturbed samplers [1.993607565985189]
  本研究では, 対象分布の正規化を前提条件とし, ランゲヴィン力学の収束を加速する輸送写像の利用について検討する。 また, トランスポートマップを非可逆摂動型 ULA に適用すると, 元の力学の幾何的不変摂動 (GiIrr) が得られることを示す。
  論文  参考訳（メタデータ） (2023-02-14T18:13:19Z)
• Fast Mixing of Multi-Scale Langevin Dynamics under the Manifold Hypothesis [85.65870661645823]
  我々は,Langevin次元のアルゴリズムによって,より小さなデータに依存する時間を大幅に短縮できることを示す。 第二に、サンプリング空間の高さはランゲヴィン・ダイナミクスの性能を著しく損なう。
  論文  参考訳（メタデータ） (2020-06-19T14:52:40Z)

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。