Universally applicable and tunable graph-based coarse-graining for Machine learning force fields
Created by
Haebom
저자
Christoph Brunken, Sebastien Boyer, Mustafa Omar, Martin Maarand, Olivier Peltre, Solal Attias, Bakary N'tji Diallo, Anastasia Markina, Olaf Othersen, Oliver Bent
개요
본 논문은 다양한 생체계에 적용 가능한 최초의 전이 가능한 심층 학습 기반 조립 단위(CG) 힘장 접근 방식을 제시합니다. 기존의 심층 학습 기반 CG 시뮬레이션 접근 방식의 한계를 분석하고, 하드 코딩된 규칙에 의존하지 않고, 기준 CG 힘의 통계적 노이즈를 최소화하도록 최적화된 조립 단위 시스템을 출력하도록 조정된 CG 알고리즘을 제시합니다. MACE 아키텍처를 기반으로 하며, 단백질, RNA, 지질 화학을 포함하는 대규모 생체 시스템의 분할을 기반으로 새롭게 생성된 맞춤형 데이터셋으로 훈련된 최초의 CG 변형 모델입니다. 다양한 시스템에 대한 안정적이고 정성적으로 정확한 궤적을 얻기 위해 분자 동역학 시뮬레이션에 적용될 수 있음을 보여주고, 한계가 관찰되는 사례에 대해서도 논의합니다.
시사점, 한계점
•
시사점:
◦
다양한 생체계에 적용 가능한 최초의 전이 가능한 심층 학습 기반 CG 힘장 제시
◦
기준 CG 힘의 통계적 노이즈 최소화를 통한 모델 훈련 성능 향상
◦
MACE 아키텍처 기반 최초의 CG 힘장 모델 제시
◦
단백질, RNA, 지질 화학을 포함하는 대규모 생체 시스템 분할 기반의 새로운 맞춤형 데이터셋 활용
