从力量和噪音中学习数据效率高的粗粒度分子动力学
Aleksander E P Durumeric1, Yaoyi Chen1, Aldo S Pasos-Trejo2
1Department of Mathematics and Computer Science, Freie Universität Berlin, Berlin, Germany.
这项研究引入了一种新方法,用于训练机器学习粗粒度 (MLCG) 模型进行分子动力学 (MD) 模拟. 通过整合生成扩散模型,它大大减少了准确生物分子建模所需的数据.
科学领域:
- 计算化学计算化学
- 生物物理学的生物物理.
- 机器学习 机器学习
背景情况:
- 分子动力学 (MD) 模拟对于理解生物分子功能至关重要.
- 全原子模型在计算上昂贵,限制了它们在大型系统中的应用.
- 机器学习粗粒度 (MLCG) 模型提供了一个计算效率高的替代方案,但需要广泛的训练数据.
研究的目的:
- 开发一种用于训练MLCG模型的新型框架,减少对大型原子数据集的依赖.
- 将生成扩散模型原则与传统的力量匹配技术相结合.
- 为了使精确和稳定的MLCG力场能够在显著降低计算成本的情况下构建.
主要方法:
- 统一MLCG模型培训与生成扩散模型原则.
- 集成传统的力量匹配与否定目标,以恢复分子集合分布.
- 在多种不同的蛋白质折叠和尺度上进行验证.
主要成果:
- 精确的高维分布的分子组合被恢复.
- 构建了物理上一致和稳定的力场.
- 训练的原子数据要求减少了多达两倍.
结论:
- 开发的框架大大降低了构建准确的MLCG模型的计算成本.
- 这种方法扩大了MLCG模型对大型生物分子系统的适用性.
- 它在分子动力学模拟和现代生成式学习技术之间建立了重要的桥梁.
更多相关视频
11:03An Analog Macroscopic Technique for Studying Molecular Hydrodynamic Processes in Dense Gases and Liquids
Published on: December 4, 2017
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
相关概念视频
Distribution of Molecular Speeds
¹H NMR of Conformationally Flexible Molecules: Temporal Resolution
Noncovalent Attractions in Biomolecules
Four types of noncovalent interactions are hydrogen bonds, van der Waals forces, ionic bonds, and hydrophobic interactions.
Hydrogen bonding results from the electrostatic attraction of a hydrogen atom covalently bonded to a strong-electronegative atom like oxygen,...
Noncovalent Attractions in Biomolecules
Molecular Models
Equilibrium Conditions for a Particle
To understand the concept of equilibrium, let us first consider the forces acting on an object. When different forces act on an object, they can...
