ترجمه فارسی مقاله متغیرهای جمعی بدون توصیف از شبکه های عصبی نمودار هندسی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Descriptors-free Collective Variables From Geometric Graph Neural Networks
عنوان مقاله به فارسی متغیرهای جمعی بدون توصیف از شبکه های عصبی نمودار هندسی
نویسندگان Jintu Zhang, Luigi Bonati, Enrico Trizio, Odin Zhang, Yu Kang, TingJun Hou, Michele Parrinello
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computational Physics,فیزیک محاسباتی ,
توضیحات Submitted 11 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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.

🎯 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

Enhanced sampling simulations make the computational study of rare events feasible. A large family of such methods crucially depends on the definition of some collective variables (CVs) that could provide a low-dimensional representation of the relevant physics of the process. Recently, many methods have been proposed to semi-automatize the CV design by using machine learning tools to learn the variables directly from the simulation data. However, most methods are based on feed-forward neural networks and require as input some user-defined physical descriptors. Here, we propose to bypass this step using a graph neural network to directly use the atomic coordinates as input for the CV model. This way, we achieve a fully automatic approach to CV determination that provides variables invariant under the relevant symmetries, especially the permutational one. Furthermore, we provide different analysis tools to favor the physical interpretation of the final CV. We prove the robustness of our approach using different methods from the literature for the optimization of the CV, and we prove its efficacy on several systems, including a small peptide, an ion dissociation in explicit solvent, and a simple chemical reaction.

چکیده به فارسی (ترجمه ماشینی)

شبیه سازی نمونه برداری پیشرفته ، مطالعه محاسباتی وقایع نادر را امکان پذیر می کند.یک خانواده بزرگ از چنین روشهایی به طور مهم به تعریف برخی از متغیرهای جمعی (CV) بستگی دارد که می تواند نمایشی کم بعدی از فیزیک مربوطه را فراهم کند.به تازگی ، بسیاری از روش ها برای نیمه اتوماتیک طراحی CV با استفاده از ابزارهای یادگیری ماشین برای یادگیری متغیرها به طور مستقیم از داده های شبیه سازی پیشنهاد شده است.با این حال ، اکثر روش ها بر اساس شبکه های عصبی به جلو است و به عنوان برخی از توصیف کننده های فیزیکی تعریف شده توسط کاربر نیاز دارند.در اینجا ، ما پیشنهاد می کنیم این مرحله را با استفاده از یک شبکه عصبی نمودار دور بزنید تا مستقیماً از مختصات اتمی به عنوان ورودی برای مدل CV استفاده کنید.به این ترتیب ، ما به یک رویکرد کاملاً اتوماتیک برای تعیین CV دست می یابیم که متغیرها را در زیر تقارن مربوطه ، به ویژه روش مجاز ، متغیر می کند.علاوه بر این ، ما ابزارهای تجزیه و تحلیل متفاوتی را برای حمایت از تفسیر فیزیکی CV نهایی ارائه می دهیم.ما استحکام رویکرد خود را با استفاده از روشهای مختلف ادبیات برای بهینه سازی CV اثبات می کنیم و اثربخشی آن را در چندین سیستم از جمله یک پپتید کوچک ، تفکیک یون در حلال صریح و یک واکنش شیمیایی ساده اثبات می کنیم.

📚 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.

🎯 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.