Sampling-based Bayesian Inference with gradient uncertainty
Seoul National University(首尔国立大学)
深度神经网络(NN)已经取得了令人印象深刻的性能,在许多计算机视觉任务上往往超过人类的性能。然而,仍然存在的最具挑战性的问题之一是,神经网络对它们的预测过于自信,当这在安全关键应用中出现时,这可能是非常有害的。在本文中,我们表明,预测的不确定性,可以有效地估计时,我们将梯度不确定性的概念后验抽样。该方法在两个不同的数据集上进行了测试,MNIST用于分布中混淆的示例,notMNIST用于分布外的数据。我们表明,我们的方法能够有效地表示两个数据集上的预测不确定性。
2019-12-27 cs.AI cs.LG stat.ML
Uncertainty for Active Learning on Graphs
Technical University of Munich(慕尼黑工业大学);Munich Data Science Institute(慕尼黑数据科学研究所)
本研究首次系统评估了图上节点分类中的不确定性采样主动学习策略,发现其性能差距,提出基于数据生成过程的贝叶斯不确定性估计及近似方法,以指导最优查询并提升模型数据效率。
2025-02-27 cs.LG
Uncertainty quantification of molecular property prediction with Bayesian neural networks
KAIST(韩国科学技术院);Seoul National University(首尔国立大学)
深度神经网络在各种分子应用中的表现优于现有的机器学习模型。在实际应用中,由于训练数据的质量和数量不足,导致预测的不确定性,仍然很难做出有信心的决策。在这里,我们表明,贝叶斯神经网络是有用的量化的分子性质预测的不确定性与三个数值实验。特别是,它使我们能够将预测方差分解为模型和数据驱动的不确定性,这有助于阐明错误的来源。在logP预测中,我们发现数据噪声对数据驱动的不确定性的影响比模型驱动的更显著。基于这种分析,我们能够在哈佛清洁能源项目数据集中发现意想不到的错误。最后,我们通过对生物活性和毒性分类问题的研究表明,预测的置信度与预测的不确定性密切相关。
2019-03-20 cs.LG stat.ML
Quantification of Predictive Uncertainty via Inference-Time Sampling
ETH Zurich(苏黎世联邦理工学院);Apagom AG(Apagom股份公司);Microsoft Mixed Reality and AI lab(微软混合现实与人工智能实验室)
提出一种架构无关的事后采样策略,通过推理时采样为前馈确定性网络估计预测不确定性,无需修改架构或训练,能生成多模态预测分布且不确定性与误差高度相关。
2023-08-03 cs.CV cs.LG
Output-Weighted Optimal Sampling for Bayesian Experimental Design and Uncertainty Quantification
Massachusetts Institute of Technology(麻省理工学院)
我们介绍了一类采集功能的样本选择,导致更快的收敛,贝叶斯试验设计和不确定性量化相关的应用程序。该方法遵循主动学习的范式,即利用黑盒函数的现有样本来优化下一个信息量最大的样本。所提出的方法旨在利用黑盒函数的某些输入方向对输出的影响比其他方向更大的事实,这对于表现出罕见和极端事件的系统尤其重要。在这项工作中引入的采集函数利用了似然比的属性,该似然比是一个充当概率采样权重并将主动学习算法引导到被认为最相关的输入空间区域的量。我们证明了所提出的方法在水文系统的不确定性量化以及动力系统中罕见事件的概率量化及其前兆识别方面的优越性。
2021-04-08 cs.IT cs.LG math.IT
Evaluating Scalable Uncertainty Estimation Methods for DNN-Based Molecular Property Prediction
Massachusetts Institute of Technology(麻省理工学院);Politecnico di Milano(米兰理工大学);National Taiwan University(台湾大学)
基于深度神经网络(DNN)的分子性质预测的进展最近导致了具有显着准确性和泛化能力的模型的开发,图卷积神经网络(GCNN)报告了该任务的最新性能。然而,仍然存在一些挑战,需要充分解决的最重要的问题之一是不确定性量化。DNN的性能受到训练样本的数量和质量的影响。因此,确定预测何时以及在多大程度上可以被认为是可靠的,与输出准确的预测一样重要,特别是当目标是域外分子时。最近,已经提出了几种方法来解释DNN中的不确定性,其中大多数是基于近似贝叶斯推理。其中,只有少数可扩展到应用程序所需的大型数据集。评价和比较这些方法最近引起了极大的兴趣,但结果通常是支离破碎的,缺乏分子性质的预测。在本文中,我们的目标是定量比较GCNN中不确定性估计的可扩展技术。我们引入了一组定量标准来捕获不同的不确定性方面,然后使用这些标准来比较MC-Dropout,深度集成和自举,理论上都是在一个统一的框架中,该框架分离了任意/认知的不确定性,并在QM 9数据集上进行了实验。我们的实验量化了不同的不确定性估计方法的性能及其对不确定性相关误差减少的影响。我们的研究结果表明,集成和自举始终优于MC-Dropout,具有不同的上下文特定的优点和缺点。我们的分析还导致更好地理解任意/认知不确定性的作用,并强调了域外不确定性带来的挑战。
2019-10-07 cs.LG stat.ML
Improving Counterfactual Truthfulness for Molecular Property Prediction through Uncertainty Quantification
Institute of Theoretical Informatics, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院理论信息学研究所);Institute of Nanotechnology, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院纳米技术研究所)
针对分子性质预测中反事实解释无法反映真实性质分布的问题,提出通过集成和均值-方差估计等不确定性量化技术过滤高不确定性反事实候选,有效降低了预测误差并提升了反事实真实性。
2025-04-03 cs.AI cs.LG
Uncertainty quantification of neural network models of evolving processes via Langevin sampling
Sandia National Laboratories(桑迪亚国家实验室);University of Maryland(马里兰大学)
本研究提出一种基于朗之万采样的可扩展近似推理超网络框架,用于历史依赖过程NODE模型的不确定性量化,可灵活平衡计算成本,在化学反应与材料物理数据上性能优于标准变分推理。
2025-05-19 cs.LG stat.ML
Revisiting Sampling Strategies for Molecular Generation
本文系统研究扩散模型中的多种采样策略,发现最大随机采样(StoMax)在DDPM和BFN生成模型中持续优于默认方法,凸显采样设计对分子生成性能的关键作用。
2025-06-19 physics.chem-ph
High Accuracy Uncertainty-Aware Interatomic Force Modeling with Equivariant Bayesian Neural Networks
针对贝叶斯神经网络在原子间力建模中缺乏高效蒙特卡洛马尔可夫链采样算法的挑战,本文提出一种新采样算法和基于NequIP架构的随机神经网络模型,实现了最先进的预测精度和不确定性度量。
2023-04-05 cs.LG physics.chem-ph physics.comp-ph
Learning inducing points and uncertainty on molecular data by scalable variational Gaussian processes
Institute for Chemical Reaction Design and Discovery (WPI-ICReDD)(化学反应设计与发现研究所(WPI-ICReDD));Hokkaido University(北海道大学);National Institute for Materials Science(物质・材料研究机构)
本文研究如何利用可扩展变分高斯过程中的诱导点学习,在分子数据上同时实现不确定性控制与大规模可扩展性,并通过实验证明该方法能有效提升能量和原子力预测性能。
2024-02-20 cs.LG physics.chem-ph physics.comp-ph
Enhanced Sampling in Molecular Dynamics Using Metadynamics, Replica-Exchange, and Temperature-Acceleration
我们回顾了在分子动力学模拟中进行增强采样的方法。我们认为集体变量偏置和回火的基础上的方法,并提供历史和当代的观点。在集体变量偏置,我们首先讨论的方法源于热力学积分,使用平均力偏置,包括自适应偏置力算法和温度加速。然后,我们转向使用偏置电位的方法,包括伞形采样和元自相关。接下来我们考虑平行回火和复制交换方法。最后,我们简要介绍了一些组合方法。
2014-01-02 cond-mat.stat-mech physics.chem-ph physics.comp-ph
Continuum limit and preconditioned Langevin sampling of the path integral molecular dynamics
我们调查的连续极限,珠的数量趋于无穷大的环状聚合物表示的热平均值。研究轨迹采样方程的连续极限,揭示了可能的预处理技术的采样环聚合物配置与大量的珠。我们提出了两个预处理的Langevin采样动力学,这被证明具有改善的稳定性和采样精度。我们提出了一个仔细的模式分析的预处理动力学,并显示其连接到正常模式,分期坐标和松原模式表示环聚合物。在势为二次势的情况下,我们证明了预条件质量修正的Langevin动力学的连续极限指数快速地收敛到其平衡点,这表明有限维动力学具有与维数无关的收敛速率.此外,预处理技术可以自然地应用于非绝热区域的多能级量子系统,这是兼容的各种数值方法。
2020-02-05 physics.chem-ph physics.comp-ph
Molecular free energies, rates, and mechanisms from data-efficient path sampling simulations
本研究开发了一种算法,从机器学习引导的路径采样数据中近似平衡路径集合,以适中的计算成本同时提供稀有分子事件的高效采样、机制、自由能和速率,并在迷你蛋白chignolin折叠上验证了其数据高效性。
2023-07-28 cond-mat.stat-mech physics.chem-ph physics.comp-ph
Accelerated sampling by infinite swapping of path integral molecular dynamics with surface hopping
Duke University(杜克大学);Peking University(北京大学)
本文提出通过无限交换极限的多级环聚合物表示加速多级量子系统的热平衡采样,结合表面跃迁方法与平均场路径积分分子动力学,并提出多尺度积分器提升采样效率。
2018-01-29 cs.NA math.NA physics.chem-ph
Boson Sampling for Molecular Vibronic Spectra
预计量子计算机在执行某些计算时比任何经典机器都更有效。不幸的是,与构建全尺寸量子计算机相关的技术挑战还没有允许实验验证这种期望。最近,玻色子采样已经成为一个问题,被怀疑是棘手的任何经典计算机,但有效地实现了线性量子光学设置。因此,玻色子采样可能为扩展丘奇-图灵论题提供了一个实验上可实现的挑战,这种非凡的可能性激发了人们对玻色子采样的兴趣,至少在复杂性理论问题上是如此。在这项工作中,我们表明,玻色子采样装置的成功开发不仅会回答这样的问题,而且还产生了一个实用的工具,困难的分子计算。具体来说,我们表明,玻色子采样装置与修改后的输入状态,可以用来产生分子振动光谱,包括复杂的影响,如杜辛斯基旋转。
2014-12-29 physics.chem-ph physics.comp-ph physics.optics
Molecular Transformer - A Model for Uncertainty-Calibrated Chemical Reaction Prediction
IBM Research GmbH(IBM研究院(瑞士));University of Cambridge(剑桥大学)
有机合成是药物化学中的主要障碍之一。在规划合成中,一个必要但尚未解决的步骤是解决正问题:给定反应物和试剂,预测产物。与其他工作类似,我们将反应预测视为SMILES反应物-试剂和产物字符串之间的机器翻译问题。我们表明,多头注意分子Transformer模型优于文献中的所有算法,在一个共同的基准数据集上实现了90%以上的前1精度。我们的算法不需要手工制定的规则,并准确地预测微妙的化学变化。至关重要的是,我们的模型可以准确地估计自己的不确定性,在分类预测是否正确方面,不确定性得分的准确率为89%。此外,我们表明,该模型是能够处理输入没有反应物-试剂分裂,包括立体化学,这使得我们的方法普遍适用。
2019-05-30 cs.LG physics.chem-ph
Enhanced sampling methods for molecular dynamics simulations
增强的采样算法已经成为扩展分子动力学模拟的实用性并允许在给定量的模拟时间内对复杂系统的配置空间的较大部分进行采样的强有力的方法。本文综述了目前用于生物分子、软物质和分子晶体的分子模拟中增强采样的许多计算方法的统一原理和差异。事实上,尽管这些方法明显丰富和分歧,但其核心原理可以归结为数量相对有限的统计和物理原理。为了能够进行比较,使用类似的术语和符号介绍了各种方法。然后,我们说明了许多不同的方法结合原则,从一个较小的类增强采样的概念。这篇评论的目的是为科学家与分子动力学模拟和统计物理学的基础知识的理解谁想要更深入地了解的想法,各种增强的采样方法和它们之间的关系。这一活的审查是为了更新,以继续反映丰富的抽样方法,因为他们继续出现在文献中。
2022-08-25 cond-mat.stat-mech physics.chem-ph
Enhancing Diffusion-Based Sampling with Molecular Collective Variables
FAIR at Meta(Meta的FAIR);MIT(麻省理工学院);University of Geneva(日内瓦大学);ETH Zurich(苏黎世联邦理工学院)
通过引入集体变量的偏置,提升扩散采样在分子采样中的效率和模式发现能力,首次实现反应采样的高精度模拟。
2025-12-30 cond-mat.mtrl-sci cs.LG physics.chem-ph
HybridLinker: Topology-Guided Posterior Sampling for Enhanced Diversity and Validity in 3D Molecular Linker Generation
KAIST(韩国科学技术院);Seoul National University(首尔国立大学);McLean Hospital, Harvard Medical School(麦肯纳医院,哈佛医学院)
针对3D分子连接子生成中多样性与有效性难以兼得的问题,提出HybridLinker框架,利用预训练点云无关模型提供多样拓扑指导点云感知推理,并通过首个跨空间扩散后验采样方法LinkerDPS,在无需额外训练下同时提升有效性和多样性。
2025-05-27 cs.AI cs.LG physics.chem-ph
Uncertainty Quantification for Molecular Property Predictions with Graph Neural Architecture Search
Oak Ridge National Laboratory(橡树岭国家实验室);Argonne National Laboratory(阿贡国家实验室)
本文提出AutoGNNUQ方法,通过图神经架构搜索构建高性能GNN集成,并利用方差分解分离偶然与认知不确定性,在多个基准数据集上同时提升分子性质预测精度和不确定性量化性能。
2024-06-28 cs.LG physics.chem-ph q-bio.BM
Optimal Rejection-Free Path Sampling
提出一种无拒绝的路径采样框架,通过直接采样射击点并施加与自由能成反比的选择偏差,结合AIMMD迭代构建最优反应坐标,以适中成本同时获取分子机制、自由能和速率。
2025-03-26 cond-mat.stat-mech physics.chem-ph physics.comp-ph
Quantum Computing for Molecular Vibronic Spectra and Gaussian Boson Sampling
玻色子采样(BS)是一个多模线性光学问题,在经典计算机上是难以解决的。最近有人提出,分子振动光谱(MVS)的计算是复杂的BS。本文讨论了BS和MVS的对应关系,并简要介绍了利用量子器件实现分子光谱过程的实验演示。这两种理论的相似性导致了另一种BS设置,称为“振动BS”。本文还解释了振子BS的层次结构,它包括原始BS和其他高斯BS。
2018-03-27 physics.chem-ph physics.optics quant-ph
Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models
Freie Universität Berlin(柏林自由大学);Zuse School ELIZA(祖泽ELIZA学院);Technische Universität Berlin(柏林工业大学);Berlin Institute for the Foundations of Learning and Data(柏林学习与数据基础研究所);Shanghai Jiao Tong University(上海交通大学);Technische Universität München(慕尼黑工业大学);Rice University(莱斯大学);Microsoft Research AI4Science(微软研究院AI4Science)
本文提出了一种基于能量的扩散模型,通过福克-普朗克方程导出的正则化项来提高分子动力学模拟中的一致性和采样效率。
2026-01-14 cs.AI cs.LG physics.chem-ph
Stochastic Optimal Control for Collective Variable Free Sampling of Molecular Transition Paths
University of Oxford(牛津大学);University of Amsterdam(阿姆斯特丹大学);Google DeepMind(谷歌DeepMind)
本文将分子跃迁路径采样关联到Schrödinger桥与随机最优控制,提出不依赖集体变量的PIPS机器学习方法,并在丙氨酸二肽、聚脯氨酸和Chignolin上生成低能跃迁路径。
2023-07-18 cs.LG physics.chem-ph q-bio.BM
Uncertainty Quantification in First-Principles Predictions of Harmonic Vibrational Frequencies of Molecules and Molecular Complexes
分子振动频率的准确预测对于识别光谱特征和反应热力学是重要的。在这项工作中,我们开发了一种方法来量化与密度泛函理论预测的谐波振动频率利用内置的误差估计能力的BEEF-vdW交换相关功能的不确定性。该方法是计算效率,通过估计在几乎相同的计算成本作为一个单一的振动频率计算的不确定性。我们证明了该方法的实用性和鲁棒性,通过显示不确定性估计限制了S22数据集的小分子,稀有气体二聚体和分子复合物的六个交换相关泛函的自洽计算。10个稀有气体二聚体和分子复合物的S22数据集提供了严格的测试,因为它们是具有复杂振动运动和非共价相互作用的系统。使用变异系数作为一个不确定性度量,我们发现,涉及弯曲或扭转运动的模式和那些占主导地位的非共价相互作用被发现有更高的不确定性,在其预测的频率比共价伸缩模式。鉴于该方法的简单性,我们相信该方法可以很容易地被采用,并应形成DFT预测谐波频率分析的常规部分。
2018-12-04 cond-mat.mtrl-sci physics.chem-ph
Path integral molecular dynamics with surface hopping for thermal equilibrium sampling of nonadiabatic systems
Duke University(杜克大学)
本文提出了一种新的环状聚合物表示方法,用于多级量子系统的热平均计算,并开发了路径积分分子动力学与表面跳跃方法来采样环状聚合物的构型空间。
2017-04-02 cs.NA math.NA physics.chem-ph
Exploring High Dimensional Free Energy Landscapes: Temperature Accelerated Sliced Sampling
集体变量的偏置采样被广泛用于加速分子模拟中的稀有事件和探索自由能表面。然而,这些方法的计算效率随着集合变量数量的增加而降低,这严重限制了增强采样方法的预测能力。在这里,我们提出了一种方法,称为温度加速切片采样(TASS),结合温度加速的分子动力学与伞形采样和metadenics采样集体变量空间中的一个有效的方式。该方法可以采样大量的集合变量,有利于控制勘探广泛和无约束自由能盆地。TASS也被证明可以实现快速的自由能收敛,并且实际上可以与从头计算分子动力学技术一起使用。
2016-12-25 physics.chem-ph
Bayesian semi-supervised learning for uncertainty-calibrated prediction of molecular properties and active learning
University of Cambridge(剑桥大学)
预测小分子的生物活性和物理性质是药物发现的核心挑战。深度学习正在成为首选方法,但迄今为止的研究都集中在平均准确度作为主要指标。然而,要用模型取代昂贵的关键任务实验,高平均精度是不够的:离群值可能会破坏发现活动,因此模型需要可靠地预测何时会失败,即使训练数据有偏差;实验是昂贵的,因此模型需要数据高效,并使用主动学习建议信息丰富的训练集。我们表明,不确定性量化和主动学习可以实现贝叶斯半监督图卷积神经网络。贝叶斯方法通过从后验分布中采样,以统计学原则的方式估计不确定性。半监督学习将表示学习和回归分离,在低数据限制下保持不确定性估计的准确性,并允许模型从一个小的初始训练数据池开始主动学习。我们的研究强调了贝叶斯深度学习在化学领域的前景。
2019-07-25 cs.LG physics.chem-ph stat.ML
A sparse-sampling approach for the fast computation of matrices: application to molecular vibrations
本文基于稀疏采样和压缩感知的思想,提出了一种从数值模拟中计算矩阵的新方法。该方法是有用的问题,其中确定一个矩阵的条目构成的计算瓶颈。我们将这种新方法应用于计算化学中的一个重要问题:根据电子结构计算确定分子振动,我们的结果表明,在某些情况下可以改进该过程的整体缩放。此外,我们的方法提供了一个通用框架,用于引导廉价的低精度计算,以减少所需的昂贵的高精度计算的数量,从而在实际计算中显着的3倍速度。
2014-10-17 physics.chem-ph quant-ph
Nonadiabatic Forward-Flux Sampling of Rare Molecular Gas-Phase Ammonia Photodissociation
University of Vienna(维也纳大学)
该研究开发的非绝热前向通量采样(NAFFS)方法可高效模拟全维分子系统中的稀有非绝热过程,以气相氨光解离为基准验证,其采样的反应轨迹统计权重正确,模拟时间大幅缩短。
2026-08-11 physics.chem-ph
A unified thermostat scheme for efficient configurational sampling for classical/quantum canonical ensembles via molecular dynamics
我们展示了一个统一的二阶计划,用于构造简单,鲁棒和准确的算法,典型的恒温器的配置采样的规范合奏。当使用朗之万动力学,该计划导致BAOAB算法,最近已经调查。我们表明,该计划也是有用的其他类型的恒温器,如安德森恒温器和Nosé-胡佛链。两个一维模型和三个典型的现实分子系统,范围从气相,团簇,凝聚相的数值例子中使用的演示。在分子动力学中(当使用相同的时间间隔时),无论应用哪种类型的恒温器,用于估计坐标相关性质的准确度可以增加一个数量级。该方案是特别有用的路径积分分子动力学,因为它始终提高效率,为任何类型的恒温器的所有热力学性质的评估。
2017-07-17 cond-mat.stat-mech physics.atm-clus physics.bio-ph
Adaptive Inference and Convergence of Free Energy Landscapes Using Non-parametric Bayesian Enhanced Sampling
University of California, Irvine(加州大学尔湾分校);California Polytech State University(加州州立理工大学)
本研究开发整合高斯过程模型与自适应不确定性驱动增强采样方案,以自由能景观迭代估计训练模型,实时计算不确定性作收敛度量,为复杂分子过程提供可推广的增强采样策略。
2026-08-05 physics.chem-ph
Metadynamics for Automatic Sampling of Quantum Property Manifolds: Exploration of Molecular Biradicality Landscapes
我们提出了一个一般的扩展的元adaptics允许自动采样的量子性质流形(ASQPM)引起的功能景观,类似于在玻恩-奥本海默近似的框架中的势能面。为此,我们采用广义电子集体变量进行偏置的分子动力学模拟的量子化学方法,探索所需的属性流形的框架。我们说明了我们的方法的“biradicity景观”的例子,我们通过引入自然轨道占用数(NOONs)作为电子集体变量驱动的动态探索。我们证明了该方法的适用性上的模拟\textit{p} -二甲苯和[8]轮烯允许自动提取的双自由基的几何形状。在[8]轮烯的情况下,ASQPM代谢导致预测可以通过合适的化学取代来稳定的双自由基支架,导致设计表现出双自由基功能的新型功能分子。
2019-09-19 physics.chem-ph
MACE4IRmol: An uncertainty-aware foundation model for molecular infrared spectroscopy
Technical University of Munich(慕尼黑工业大学);Aalto University(阿尔托大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心);Munich Data Science Institute(慕尼黑数据科学研究所);Ruhr University(鲁尔大学)
MACE4IRmol是一种基于MACE架构的具有不确定性的基础模型,用于分子红外光谱预测,实现了高精度、高效率和不确定性估计。
2026-03-09 physics.chem-ph
Best of Both Worlds: Uniform sampling in Cartesian and Cayley Molecular Assembly Configuration Space
EASAL(efficient atlasing and sampling of assembly landscape)是一种用于表征、可视化、采样和计算小分子组装势能面积分的几何方法。EASAL的效率来自于这样一个事实,即小装配景观允许使用所谓的凯莱参数(原子间距离)的几何表示和采样的装配配置空间区域;这导致他们的隔离,凸化,定制采样和系统遍历使用一个全面的拓扑路线图,确保合理覆盖的关键,但狭窄的区域低有效尺寸。然而,这本身是不够的构型熵和其他积分的准确计算,需要估计的自由能和动力学-其中,它是必不可少的,以获得均匀的采样在适当的carnival或模空间参数化。通过两个参数化之间的映射的雅可比矩阵对凯莱采样进行标准调整充满了来自病态雅可比矩阵的挑战。本文形式化和分析这些挑战,提供修改EASAL,确保凯莱采样的优势,同时确保一定的最小距离和覆盖范围之间的关系采样配置-在笛卡尔空间。将修饰的EASAL的性能与基本EASAL进行比较,并提供了人和大鼠胰岛淀粉样多肽(HiAPP、PDB-2KJ 7和RiAPP PDB-2KB 8)二聚化的数据(两者仅在37个残基中的6个残基上不同,但前者聚集成原纤维,而后者不)。
2014-09-03 physics.bio-ph physics.chem-ph
A terahertz vibrational molecular clock with systematic uncertainty at the $10^{-14}$ level
本研究将光晶格时钟架构扩展至双原子分子系综,实验实现了基于纯分子振动的精确晶格钟,总系统不确定度达$4.6\ imes10^{-14}$,并精确测量了振动分裂绝对频率,为分子光谱学和太赫兹频率标准树立了里程碑。
2023-04-03 physics.atom-ph physics.chem-ph quant-ph
Phase equilibrium of liquid water and hexagonal ice from enhanced sampling molecular dynamics simulations
本文采用增强采样分子动力学模拟研究了由TIP 4P/Ice原子间相互作用势模型模拟的液态水和冰Ih之间的相平衡。我们的方法是基于计算冰Ih液体自由能的差异,可逆地访问两个阶段的模拟。通过引入静态偏置电位作为序参量的函数,实现了可逆的相互转换。调整序参量使氧在冰Ih中结晶为六方金刚石结构。我们分析了系统尺寸对冰Ih-液体自由能差的影响,并在热力学极限下得到了270 K的熔化温度。这一结果与热力学积分(272 K)和共存模拟(270 K)的估计一致。由于序参量不包括有关质子坐标的信息,自发形成的固体构型包含如冰Ih所预期的质子无序。
2020-05-11 cond-mat.mtrl-sci cond-mat.stat-mech physics.chem-ph
Caliber based spectral gap optimization of order parameters (SGOOP) for sampling complex molecular systems
在现代多体系统的模拟中,大部分计算复杂性转移到识别缓慢变化的分子序参量,称为集体变量(CV)或反应坐标。大量的增强采样方法是基于这些低维序参量的识别和偏置,其波动在驱动感兴趣的罕见事件中是重要的。这里描述了一种新的算法,用于寻找最佳的低维集体变量,用于增强的采样偏置方法,如伞形采样,元自适应和相关方法,当有限的先验静态和动态信息是已知的系统,并指定了一个更大的候选CV集。该算法涉及估计这些候选CV的最佳组合,如通过被视为CV的函数的动态的谱间隙的最大路径熵估计所量化的。通过多个实际的例子,我们展示了这个后处理过程可以导致CV的优化和几个数量级的改进,通过元自洽计算的自由能的收敛,基本上给出了即使从不成功的元自洽运行中提取有用信息的能力。
2015-11-08 cond-mat.soft cond-mat.stat-mech physics.chem-ph
Thermodynamic Sampling of Molecular Conformations
柔性分子的扭转空间蒙特卡罗模拟通常基于这样的假设,即在没有原子相互作用的情况下,所有二面角的值具有相等的概率。在本文中,它表明,这种假设是无效的。使用二面角或其他内部坐标的热力学采样必须考虑构象空间中的正确度量和转动惯量张量的构象依赖性。度量和转动惯量项作为构象相关因子出现在配分函数中,并通过适当分离内部自由度和旋转自由度获得。这两个因素的重要性进行了讨论的一些短肽以及折叠和展开状态的蛋白质。它的结论是热力学蒙特卡罗模拟的蛋白质折叠,忽略这些校正因子往往低估了折叠状态的稳定性。
2004-01-09 cond-mat.stat-mech physics.chem-ph
Insights into Dermal Permeation of Skin Oil Oxidation Products from Enhanced Sampling Molecular Dynamics Simulation
本研究利用原子级分子动力学与增强采样模拟皮肤油脂氧化产物穿过角质层膜的过程,揭示微秒级充分采样的必要性及膜结构导致自由能收敛缓慢的机制。
2025-01-22 cond-mat.soft physics.bio-ph physics.chem-ph
Sampling molecular conformations and dynamics in a multi-user virtual reality framework
我们描述了一个框架,在多用户虚拟现实环境中的交互式分子动力学,结合严格的云安装物理原子模拟与商品虚拟现实硬件,我们已经访问的读者(见isci.itch.io/nsb-imd)。它允许用户以原子级的精度可视化和采样复杂分子结构的结构和动力学,并在同一虚拟环境中与其他用户进行交互。一系列对照研究,参与者被要求完成一系列分子操作目标(将甲烷穿过纳米管,改变螺旋的螺旋方向,以及打结蛋白质结),定量地证明了交互式VR环境中的用户可以比使用传统界面更快地完成复杂的分子建模任务,特别是对于构象编排本质上是3D的分子途径和结构转换。这一框架将加速药物开发、合成生物学和催化剂设计等纳米级分子工程领域的进展。更广泛地说,我们的研究结果突出了VR在科学领域的潜力,在这些领域,3D动态很重要,涵盖了研究和教育。
2018-01-09 cs.HC physics.bio-ph physics.chem-ph