論文の概要: Learning consistent molecular mechanics force fields from first principles

• arxiv url: http://arxiv.org/abs/2610.08020v1
• Date: Tue, 06 Oct 2026 09:14:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.915414
• Title: Learning consistent molecular mechanics force fields from first principles
• Title（参考訳）: 第一原理から一貫した分子力学力場を学習する
• Abstract要約: 結合パラメータと非結合パラメータの両方を学習する古典力場(FF)に統一的なアプローチを導入する。 本モデルでは, 高精度な電気応答特性を復元し, 幾何最適化ベンチマークにおける最先端の精度を実現し, 従来のFFと既存のFFのコンフォメーションサンプリングを再現する。
• 参考スコア（独自算出の注目度）: 1.1666234644810893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classical force fields (FFs) remain the workhorse for large-scale simulations even as machine-learned interatomic potentials (MLIPs) approach ab initio accuracy. They decompose total configuration energies into simple effective interactions whose parameters are traditionally assigned based on atom or bond types, enabling efficient simulations but also limiting their ability to adapt across configurations. Recent machine learning approaches have improved the accuracy and transferability of bonded parameters in these FFs by inferring them as functions of local atomic environments, but still rely on empirical nonbonded parameters for practical simulations. In this work, we introduce a unified approach, \texttt{grappa-fullFF}, which learns both bonded and nonbonded parameters \emph{consistently} and simultaneously from ab initio reference data. By incorporating physically inspired regularization via supervision of the electrostatic potential and an architecture that facilitates charge equilibration, our model recovers accurate electric response properties, achieves state-of-the-art accuracy on geometry optimization benchmarks, and reproduces the conformational sampling of both classical and existing machine-learned FFs, without relying on externally assigned nonbonded parameters.
• Abstract（参考訳）: 古典的な力場 (FFs) は、機械学習型原子間ポテンシャル (MLIPs) が初期精度に近づいたとしても、大規模シミュレーションの作業場のままである。 彼らは全構成エネルギーを、伝統的に原子や結合タイプに基づいてパラメータが割り当てられる単純な効果的な相互作用に分解し、効率的なシミュレーションを可能にすると同時に、構成全体に適応する能力を制限する。 近年の機械学習手法は、局所的な原子環境の関数として推定することで、これらのFFの結合パラメータの精度と伝達性を改善しているが、実用シミュレーションでは経験的非結合パラメータに依存している。 本研究では,結合パラメータと非結合パラメータの両方を同時に学習する統一的なアプローチである‘texttt{grappa-fullFF} を導入する。 静電ポテンシャルと電荷平衡の監督による物理的にインスパイアされた正規化とアーキテクチャを組み込むことで、正確な電気応答特性を復元し、幾何最適化ベンチマークで最先端の精度を達成し、外部に割り当てられた非結合パラメータに頼ることなく、古典的および既存の機械学習FFのコンフォーメーションサンプリングを再現する。

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)
• Constitutive parameterized deep energy method for solid mechanics problems with random material parameters [0.24554686192257416]
  Constitutive aware Deep Energy Method (CPDEM) は純粋に物理駆動のフレームワークである。 従来の空間的コロケーションポイントをパラメータ対応材料に変換する。 未知の物質パラメータに対する変位場をゼロショットでリアルタイムに推定できる。
  論文  参考訳（メタデータ） (2026-03-27T02:59:32Z)
• EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
  EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。 我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。 EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-03-17T06:11:56Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Spectral Normalization and Voigt-Reuss net: A universal approach to microstructure-property forecasting with physical guarantees [0.0]
  設計プロセスにおける重要なステップは、効果的な機械的、熱的、あるいは一般的には弾性特性の迅速な評価である。 古典的なシミュレーションに基づくアプローチは、例えば有限要素やFFTベースの解法を使うが、かなりの計算資源を必要とする。 本稿では,これらの境界を優先的に適用するスペクトル正規化手法を提案する。
  論文  参考訳（メタデータ） (2025-04-01T12:21:57Z)
• Are Foundational Atomistic Models Reliable for Finite-Temperature Molecular Dynamics? [5.017458218949553]
  機械学習力場は分子動力学(MD)シミュレーションのための有望なツールとして登場した。 これらの基本的な原子論モデルは、最も説得力のあるアプリケーションの1つに信頼性がありますか?
  論文  参考訳（メタデータ） (2025-03-11T09:23:01Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• HyperFLINT: Hypernetwork-based Flow Estimation and Temporal Interpolation for Scientific Ensemble Visualization [26.472939569860607]
  HyperFLINTは、流れ場を推定し、時間的に補間し、アンサンブルデータにおけるパラメータ空間探索を容易にする、新しいディープラーニングベースのアプローチである。 一連の実験では、HyperFLINTのフロー場推定性能が大幅に向上し、パラメータ空間探索が可能になった。
  論文  参考訳（メタデータ） (2024-12-05T12:01:20Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)

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。