| عنوان مقاله به انگلیسی | Committor guided estimates of molecular transition rates |
| عنوان مقاله به فارسی | ترجمه فارسی مقاله تخمینهای هدایتشده توسط کامیتور از نرخهای گذار مولکولی |
| نویسندگان | Andrew R. Mitchell, Grant M. Rotskoff |
| فرمت مقاله انگلیسی | |
| زبان مقاله تحویلی | ترجمه فارسی |
| فرمت مقاله ترجمه شده | به صورت فایل ورد |
| نحوه تحویل ترجمه | دو تا سه روز پس از ثبت سفارش (به صورت فایل دانلودی) |
| تعداد صفحات | 21 |
| دسته بندی موضوعات | Statistical Mechanics,Chemical Physics,مکانیک آماری , فیزیک شیمیایی , |
| توضیحات | Submitted 11 August, 2024; originally announced August 2024. |
| توضیحات به فارسی | ارسال شده در 11 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. |
توضیحات گزینههای خرید
دانلود مقاله اصل انگلیسی
با انتخاب این گزینه، میتوانید فایل PDF مقاله اصلی را به زبان انگلیسی دانلود کنید.
قیمت: 19,000 تومان
سفارش ترجمه فارسی مقاله
با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، ترجمه فارسی مقاله را نیز سفارش میدهید.
قیمت: 840,000 تومان
زمان تحویل: 2 تا 3 روز کاری
| فرمت ارائه ترجمه مقاله | تحویل به صورت فایل ورد |
| زمان تحویل ترجمه مقاله | بین 2 تا 3 روز پس از ثبت سفارش |
| کیفیت ترجمه | بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه میشود. |
| جداول و فرمول ها | کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج میشوند. |
چکیده
The probability that a configuration of a physical system reacts, or transitions from one metastable state to another, is quantified by the committor function. This function contains richly detailed mechanistic information about transition pathways, but a full parameterization of the committor requires building representing a high-dimensional function, a generically challenging task. Recent efforts to leverage neural networks as a means to solve high-dimensional partial differential equations, often called “physics-informed” machine learning, have brought the committor into computational reach. Here, we build on the semigroup approach to learning the committor and assess its utility for predicting dynamical quantities such as transition rates. We show that a careful reframing of the objective function and improved adaptive sampling strategies provide highly accurate representations of the committor. Furthermore, by directly applying the Hill relation, we show that these committors provide accurate transition rates for molecular system.
چکیده به فارسی (ترجمه ماشینی)
این احتمال که پیکربندی یک سیستم فیزیکی واکنش نشان دهد ، یا انتقال از یک حالت قابل استفاده به حالت دیگر ، توسط عملکرد تعهد اندازه گیری می شود.این عملکرد حاوی اطلاعات مکانیکی کاملاً مفصلی در مورد مسیرهای انتقال است ، اما یک پارامتر کامل از این متعهد نیاز به ساختمان است که نمایانگر یک عملکرد با ابعاد بالا ، یک کار با چالش برانگیز است.تلاش های اخیر برای اهرم شبکه های عصبی به عنوان ابزاری برای حل معادلات دیفرانسیل جزئی با ابعاد بالا ، که اغلب به آن یادگیری ماشین “آگاهانه” گفته می شود ، این کار را به محاسبات رسانده است.در اینجا ، ما بر روی رویکرد Semigroup برای یادگیری تعهد و ارزیابی ابزار آن برای پیش بینی مقادیر دینامیکی مانند نرخ انتقال ، ایجاد می کنیم.ما نشان می دهیم که یک تغییر دقیق از عملکرد عینی و استراتژی های نمونه برداری تطبیقی بهبود یافته ، بازنمودهای بسیار دقیقی از تعهد را ارائه می دهد.علاوه بر این ، با استفاده مستقیم از رابطه تپه ، ما نشان می دهیم که این کمیته ها نرخ انتقال دقیق برای سیستم مولکولی را ارائه می دهند.
| فرمت ارائه ترجمه مقاله | تحویل به صورت فایل ورد |
| زمان تحویل ترجمه مقاله | بین 2 تا 3 روز پس از ثبت سفارش |
| کیفیت ترجمه | بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه میشود. |
| جداول و فرمول ها | کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج میشوند. |


نقد و بررسیها
هنوز بررسیای ثبت نشده است.