双方向ニューラルネットワークによる分子動力学トラジェクトリー再構成における超解像【JST・京大機械翻訳】

Winkler Ludwig; Mueller Klaus-Robert; Sauceda Huziel E.

プレプリント

J-GLOBAL ID：202202220554438665 整理番号：22P0023432

双方向ニューラルネットワークによる分子動力学トラジェクトリー再構成における超解像【JST・京大機械翻訳】

Super-resolution in Molecular Dynamics Trajectory Reconstruction with Bi-Directional Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年01月02日プレプリントサーバーでの情報更新日： 2022年01月02日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

分子動力学シミュレーションは科学における corner石であり,複雑な分子相互作用を解析するためのシステム熱力学から研究することを可能にする。一般に,拡張された分子軌跡を作成することは,例えばab-initioシミュレーションを実行するとき,計算上の高価なプロセスである。したがって,より正確な熱力学を得るか,あるいは微細粒量子相互作用によって生成された動力学におけるより高い分解能を得るために,そのような計算を繰り返すことは,時間-および計算-消費可能である。本研究では,後処理ステップ内の分子動力学軌跡の分解能を増加させるための異なる機械学習(ML)方法論を検討した。概念の証明として,著者らは,神経ODE,ハミルトニアンネットワーク,リカレントニューラルネットワークおよびLSTMのような双方向ニューラルネットワークの性能,および分子力学シミュレーション(MD17データセット)のための参照としての一方向性変異体を解析した。Bi-LSTMが最良の性能モデルであることを見出した。サーモステート軌道の局所時間対称性を利用することにより,それらは長距離相関を学習し,分子複雑性にわたって雑音の多い動力学に対して高いロバスト性を示す。著者らのモデルは,軌道補間において最大10 ̄-4のオングストロームの精度に達することができ,一方,学習と参照軌道の間の比較を区別できない複雑な高周波分子振動のいくつかの完全なサイクルを忠実に再構成する。本研究で報告した結果は,(1)より大きな系に対するベースラインとして,また(2)より良いMD積分器の構築のための(2)として役立つ。【JST・京大機械翻訳】

, , , , , , , , , , , , , ,
, 【Automatic Indexing@JST】

計算機シミュレーション , 数値計算

, , , , ,

前のページに戻る