Oct, 2023

利用学习的图表示变量增强晶核抽样

PDF
TL;DR本研究中，我们提出了一种基于图神经网络的学习方法，使用自编码器来从实验晶体结构中观测到的特征中得出低维变量。然后，通过增强采样来偏置这些变量，以观察状态间的转换和可靠的热力学权重。我们的方法使用简单的卷积和池化方法。为了验证我们的协议的有效性，我们考察了各种铁和甘氨酸同素异形体和多晶体从熔融态到化合物相的核化过程。通过合理温和的元动力学，我们的图潜变量始终显示状态间的转换，并且在与实验一致的自由能计算中取得准确的结果，这两个结果都是可靠采样的指标。这突显了我们的图神经网络变量在改进采样方面的力量和潜力。此处展示的协议对于其他系统和其他采样方法应适用。
graph neural networkautoencoderenhanced samplingnucleationfree energy calculations
发现论文，激发创造
  • 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

  • 基于神经网络的变分增强采样

    使用机器学习技术和变分增强采样方法结合来快速采样自由能面，通过采用神经网络表示偏差来决定采样的参数，在重复学习方案中对其进行确定并打破一些壁垒

    Apr, 2019

  • 约束图变分自编码器用于分子设计

    本文提出一种基于变分自编码的图结构模型，用于生成符合已有数据分布的化学分子结构，并通过实验数据分析表明该模型在分子生成任务上表现较好，同时使用合适的隐空间设计允许生成具备特定性质的分子。

    May, 2018

  • 晶体图卷积神经网络用于材料性能的准确和可解释的预测

    本论文提出利用晶体图卷积神经网络 (CGCNN) 可直接从晶体原子之间的联系学习材料物性，有效提高了晶体材料设计的效率，并能够提取局部化学环境对全局物性的贡献，为晶体材料的设计提供了经验规则。

    Oct, 2017

  • NeVAE：分子图形的深度生成模型

    本文提出了一种适用于分子结构的、特别设计了多项技术创新的变分自编码器，并发展了一个梯度优化算法用于优化其生成分子的能力，实验结果表明该模型比多种现有模型更能够有效地发现合理、多样且新颖的分子。

    Feb, 2018

  • 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

  • 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

  • 晶体图神经网络在合金置换合金化中的应用

    本文利用晶体图神经网络（CGNN）预测水晶的属性，通过对原子、结合和整体状态特征的编码，在 DFT 的级别上实现预测的正确性，从而在合金探索中找到有前途的路径。

    Jun, 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

    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

    Jul, 2023

  • Crystal-GFN: 采样具有理想性质和约束条件的晶体

    加速材料发现对缓解气候危机具有潜力。我们介绍了一种名为 Crystal-GFlowNet 的晶体结构生成模型，它能够灵活地加入物理和几何约束，并使用预测模型作为目标函数。通过在 MatBench 上训练的代理模型对结晶能进行预测，我们评估了 Crystal-GFlowNet 的能力，结果表明它能够生成结晶能较低的多样化晶体。

    Oct, 2023