抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】