ترجمه فارسی مقاله در مورد فضای طراحی بین مکانیک مولکولی و میدان های نیروی یادگیری ماشین
عنوان مقاله به انگلیسی
On the design space between molecular mechanics and machine learning force fields
عنوان مقاله به فارسی
در مورد فضای طراحی بین مکانیک مولکولی و میدان های نیروی یادگیری ماشین
نویسندگان
Yuanqing Wang, Kenichiro Takaba, Michael S. Chen, Marcus Wieder, Yuzhi Xu, Tong Zhu, John Z. H. Zhang, Arnav Nagle, Kuang Yu, Xinyan Wang, Daniel J. Cole, Joshua A. Rackers, Kyunghyun Cho, Joe G. Greener, Peter Eastman, Stefano Martiniani, Mark E. Tuckerman
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
A force field as accurate as quantum mechanics (QM) and as fast as molecular mechanics (MM), with which one can simulate a biomolecular system efficiently enough and meaningfully enough to get quantitative insights, is among the most ardent dreams of biophysicists -- a dream, nevertheless, not to be fulfilled any time soon. Machine learning force fields (MLFFs) represent a meaningful endeavor towards this direction, where differentiable neural functions are parametrized to fit ab initio energies, and furthermore forces through automatic differentiation. We argue that, as of now, the utility of the MLFF models is no longer bottlenecked by accuracy but primarily by their speed (as well as stability and generalizability), as many recent variants, on limited chemical spaces, have long surpassed the chemical accuracy of $1$ kcal/mol -- the empirical threshold beyond which realistic chemical predictions are possible -- though still magnitudes slower than MM. Hoping to kindle explorations and designs of faster, albeit perhaps slightly less accurate MLFFs, in this review, we focus our attention on the design space (the speed-accuracy tradeoff) between MM and ML force fields. After a brief review of the building blocks of force fields of either kind, we discuss the desired properties and challenges now faced by the force field development community, survey the efforts to make MM force fields more accurate and ML force fields faster, envision what the next generation of MLFF might look like.
چکیده به فارسی (ترجمه ماشینی)
یک میدان نیرو به اندازه مکانیک کوانتومی (QM) دقیق و به همان سرعت مکانیک مولکولی (MM) ، که با آن می توان یک سیستم زیست مولکولی را به اندازه کافی کارآمد و به اندازه کافی به اندازه کافی برای به دست آوردن بینش کمی شبیه سازی کرد ، از جمله سرسخت ترین رویاهای بیوفیزیک است - یکبا این وجود ، رویای آن را به زودی تحقق بخشید.زمینه های نیروی یادگیری ماشین (MLFFs) یک تلاش معنی دار به سمت این جهت را نشان می دهد ، در حالی که عملکردهای عصبی قابل تفاوت برای متناسب با انرژی های ابتدایی پارامتر می شوند و علاوه بر این نیروها از طریق تمایز خودکار.ما استدلال می کنیم که ، از هم اکنون ، کاربرد مدلهای MLFF دیگر با دقت و در درجه اول با سرعت آنها (و همچنین ثبات و تعمیم پذیری) ، به عنوان بسیاری از انواع اخیر ، در فضاهای شیمیایی محدود ، از دقت شیمیایی پیشی گرفته است.1 $ kcal/mol $ - آستانه تجربی که پیش بینی های شیمیایی واقع بینانه ای امکان پذیر است - هرچند که هنوز هم از MM کندتر است.با امید به Kindle کاوش ها و طرح های سریعتر ، البته شاید کمی دقیق تر MLFF ، در این بررسی ، ما توجه خود را به فضای طراحی (تجارت سریع سرعت) بین زمینه های MM و ML متمرکز می کنیم.پس از یک بررسی کوتاه در مورد بلوک های ساختمانی زمینه های نیرو از هر نوع ، ما در مورد خصوصیات و چالش های مورد نظر که اکنون توسط جامعه توسعه Force Force با آن روبرو هستند ، بحث می کنیم ، تلاش های لازم را برای ساختن زمینه های نیرو MM دقیق تر و ML Force سریعتر بررسی می کنیم ، پیش بینی می کنیم که چه مواردینسل بعدی MLFF ممکن است شبیه باشد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
