OpenMM 8: Molecular Dynamics Simulation with Machine Learning Potentials
Pourquoi ce travail est-il dans la base ?
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.
Scores machine (provisoires)
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
- Écart entre enseignants
- 0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
- Statut de validation
score_only:v0-immature-baseline· tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle
Résumé
Machine learning plays an important and growing role in molecular simulation. The newest version of the OpenMM molecular dynamics toolkit introduces new features to support the use of machine learning potentials. Arbitrary PyTorch models can be added to a simulation and used to compute forces and energy. A higher-level interface allows users to easily model their molecules of interest with general purpose, pretrained potential functions. A collection of optimized CUDA kernels and custom PyTorch operations greatly improves the speed of simulations. We demonstrate these features in simulations of cyclin-dependent kinase 8 (CDK8) and the green fluorescent protein chromophore in water. Taken together, these features make it practical to use machine learning to improve the accuracy of simulations with only a modest increase in cost.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
La notice
- Revue
- The Journal of Physical Chemistry B
- Thématique
- Machine Learning in Materials Science
- Domaine
- Materials Science
- Établissements canadiens
- —
- Organismes subventionnaires
- National Cancer InstituteNational Heart, Lung, and Blood InstituteHorizon 2020 Framework ProgrammeEMD SeronoNational Institutes of HealthNational Institute of General Medical SciencesMinisterio de Ciencia e InnovaciónAgencia Estatal de InvestigaciónXtalPiVir BiotechnologyRelay TherapeuticsParker Institute for Cancer ImmunotherapyEntasis TherapeuticsChan Zuckerberg InitiativeNew York UniversityCycle for SurvivalMerck KGaAEngineering and Physical Sciences Research CouncilYork UniversityAstraZenecaMemorial Sloan-Kettering Cancer CenterDamon Runyon Cancer Research FoundationNational Science Foundation
- Mots-clés
- Computer scienceMolecular dynamicsCUDAInterface (matter)Artificial intelligenceComputational scienceMachine learningParallel computingChemistryComputational chemistry
- Résumé présent dans OpenAlex
- oui