Transferable Boltzmann Generators

要約

分子システムの平衡サンプルの生成は、統計物理学における長年の問題です。
ボルツマン ジェネレーターは、単純な事前分布から目的のターゲット ボルツマン分布への正規化フローを介して変換を学習することで、この問題に対処する生成機械学習手法です。
最近、フローマッチングは、デカルト座標における低分子システムのボルツマンジェネレーターを訓練するために使用されています。
我々はこの研究を拡張し、化学空間全体に転送可能なボルツマンジェネレーターの最初のフレームワークを提案します。ボルツマンジェネレーターは、これらのシステム用に再学習することなくテスト分子のゼロショットボルツマン分布を予測します。
これらの転送可能なボルツマン ジェネレーターを使用すると、目に見えないシステムのターゲット分布からの近似サンプリングと、ターゲットのボルツマン分布への効率的な再重み付けが可能になります。
提案されたフレームワークの伝達性はジペプチドで評価され、それが目に見えないシステムに効率的に一般化されることを示します。
さらに、私たちが提案したアーキテクチャが単一分子システムで訓練されたボルツマンジェネレーターの効率を向上させることを実証します。

要約(オリジナル)

The generation of equilibrium samples of molecular systems has been a long-standing problem in statistical physics. Boltzmann Generators are a generative machine learning method that addresses this issue by learning a transformation via a normalizing flow from a simple prior distribution to the target Boltzmann distribution of interest. Recently, flow matching has been employed to train Boltzmann Generators for small molecular systems in Cartesian coordinates. We extend this work and propose a first framework for Boltzmann Generators that are transferable across chemical space, such that they predict zero-shot Boltzmann distributions for test molecules without being retrained for these systems. These transferable Boltzmann Generators allow approximate sampling from the target distribution of unseen systems, as well as efficient reweighting to the target Boltzmann distribution. The transferability of the proposed framework is evaluated on dipeptides, where we show that it generalizes efficiently to unseen systems. Furthermore, we demonstrate that our proposed architecture enhances the efficiency of Boltzmann Generators trained on single molecular systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google