Jul, 2023

理解最近深度学习技术在识别分子动力学集体变量方面的应用

PDF
TL;DR本文研究了深度学习算法在构建高维次稳态分子系统的共同变量及其有效模拟中的应用，在基于无穷小生成器或转移算子与基础动力学相关的领先特征函数计算或通过最小化重构误差来学习自动编码器之间提出了一个简洁的概述，并在说明性示例上对这两种方法进行了比较的数值研究
发现论文，激发创造
  • 深度贝叶斯模型预测集体变量发现

    通过发现 Bayesian 推理问题中的 collective variables，开发了增强采样方法，结合机器学习和变分推断方法，计算了精细尺度原子结构的样本，对物理化学属性的预测可为理解未知复杂系统的机制提供量化评估。

    Sep, 2018

  • 自编码分子增强采样技术：即时集体变量发现与自由能较快探索

    采用自编码器进行非线性机器学习，发掘具有明确和可微分函数关系的 CVs，加速沿着数据启发式的 CVs 进行偏引力采样。在模拟丙氨酸二肽和 Trp-cage 时展示了这种方法。

    Dec, 2017

  • 基于不确定性的集体变量增强采样的稳健分子数据集

    为机器学习的原子间势提供了能够代表分子系统可访问配置空间的数据集的生成方法，该方法利用不确定性作为集体变量以引导获取与化学相关的数据点，重点关注机器学习模型预测最不确定性的配置空间区域，并在丙氨酰二肽基准系统上验证了该方法在克服能量壁垒和探索未知能量最小值方面的有效性。

    Feb, 2024

  • 数据驱动的路径集体变量

    基于核岭回归的响应变量生成与优化方法，适用于原子尺度模拟，提供一维、可解释性高且可微分的响应变量，用于增强采样模拟，并应用于沉淀模型和水中 Li$^+$ 和 F$^-$ 的结合的相关机制研究。

    Dec, 2023

  • 利用标注数据增强几何插值来学习蛋白质折叠的集体变量

    通过使用物理启发度量标准生成模拟蛋白质折叠转变的地势插值，我们提出了一种无需模拟的数据增强策略，以改善采样效率，并在转变状态数据有限且噪音较大时，通过插值进展参数引入基于回归的学习方案来构建 Collective Variable 模型，其性能优于基于分类器的方法。

    Feb, 2024

  • 用深度卷积循环自编码器学习流体系统低维特征动态

    本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。

    Aug, 2018

  • 动力系统的扩散映射、谱聚类和反应坐标

    本文研究数据分析中的低维数据表示问题，提出了一种名为扩散映射的算法，能够将复杂高维数据嵌入低维欧几里得空间，从而实现长时间演化系统的高效识别与聚类分析。

    Mar, 2005

  • 集体深度学习的有效理论

    我们通过对于耦合的人工神经网络系统中集体学习的出现进行解析，引入了一个最小模型，通过考虑每个神经网络单元参数的本地学习动态和单元之间的扩散耦合之间的竞争来凝结几个最近的分散算法。

    Oct, 2023

  • 从全脑数据中学习低维度动力学提高任务捕获能力

    本文介绍了一种新方法，使用顺序变分自编码器（SVAE）和神经常微分方程（NODE）来学习神经动力学的低维逼近。该方法产生的光滑动态可以准确地预测认知过程，并显示出对任务相关的脑区的改善空间定位并识别出著名的结构，如 fMRI 运动任务记录中的运动全身像。

    May, 2023

  • 使用高斯混合变分自编码器从分子模拟中生成可解释的嵌入

    本研究论文介绍了使用 Gaussian mixture variational autoencoder（GMVAE）进行分子模拟数据的降维和聚类，以及其在构建 Markov 状态模型方面的潜在应用。

    Dec, 2019