TL;DR
- چکیده:.
- تولید مسیرهای دینامیک مولکولی (MD) با استفاده از مدلهای مولد عمیق توجه فزایندهای را به خود جلب کرده.
- اما به دلیل در دسترس بودن محدود دادههای MD و پیچیدگیهای موجود در مدلسازی توزیعهای MD با ابعاد.
چه اتفاقی افتاد
چکیده:. تولید مسیرهای دینامیک مولکولی (MD) با استفاده از مدلهای مولد عمیق توجه فزایندهای را به خود جلب کرده.
است،. اما به دلیل در دسترس بودن محدود دادههای MD و پیچیدگیهای موجود در مدلسازی توزیعهای MD با ابعاد.
بالا،. ذاتاً چالش برانگیز است.
برای غلبه بر این چالشها،. ما یک چارچوب جدید پیشنهاد میکنیم که از پیشآموزش ساختار برای تولید مسیر MD استفاده میکند.
بهطور خاص،. ما ابتدا یک مدل تولید ساختار مبتنی بر انتشار را بر روی یک مجموعه داده conformer در مقیاس.
بزرگ آموزش میدهیم،. که در بالای آن یک ماژول interpolator آموزشدیده بر روی دادههای مسیر MD را معرفی میکنیم که برای.
اعمال سازگاری زمانی بین ساختارهای تولید شده طراحی شده است. رویکرد ما بهطور موثر از دادههای ساختاری فراوان برای کاهش کمبود دادههای مسیر MD استفاده میکند و بهطور.
موثر وظیفه مدلسازی MD پیچیده را به دو مشکل فرعی قابل مدیریت تجزیه میکند:. تولید ساختاری و هم ترازی زمانی ما بهطور جامع روش خود را در مجموعه دادههای مولکول کوچک QM9.
و DRUGS در سراسر کارهای تولید بدون قید و شرط،. شبیهسازی رو به جلو و درونیابی ارزیابی میکنیم و چارچوب و تجزیه و تحلیل خود را به سیستمهای.
مونومر تتراپپتید و پروتئین گسترش میدهیم. نتایج تجربی تأیید میکنند که رویکرد ما در ایجاد مسیرهای MD واقعگرایانه شیمیایی برتری دارد،.
همانطور که با بهبود قابل توجه دقت در اندازهگیریهای هندسی،. دینامیکی و پرانرژی مشهود است.
منتشر شده در ICLR 2026. 38 صفحه، 17 شکل، 17 جدول یادگیری ماشین (cs.
LG)؛ روشهای کمی (q-bio. QM) استناد بهعنوان: (یا v1 [cs.
LG] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Aniketh Iyengar [مشاهده ایمیل] [v1] یکشنبه،. 5 آوریل 2026،.
00:. 37:.
28 UTC (10,. 882 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.