KC-Maps
一种基于Kolmogorov-Chapman方程的深度学习模型,用于学习随机微分方程(SDE)的转移核,无需长轨迹数据,仅利用边际样本和已知系数进行训练。
时间轴 (近 90 天)
KC-Maps(Kolmogorov-Chapman Maps)是一种无需长轨迹数据、仅利用无轨迹的边际样本和已知的漂移、扩散系数来学习随机微分方程(SDE)转移核的深度学习方法。
KC-Maps将边界条件(当目标时刻等于初始时刻时转移核退化为狄拉克δ函数)直接编码进神经网络架构,而非通过损失函数软性惩罚。
KC-Maps利用Kolmogorov-Chapman方程构造训练目标,使模型在训练过程中自动满足多步一致性。
在肽分子系统动力学积分的实验中,KC-Maps在GPU小时消耗上优于经典分子动力学模拟。
KC-Maps的有效性依赖于已知的漂移和扩散系数;对于系数未知的真实系统,仍需先进行参数估计。
KC-Maps目前仅在肽分子系统上进行了实验验证,尚未验证更复杂的大分子或非平衡过程。
KC-Maps将SDE模拟的深度学习范式从轨迹监督转向分布匹配,降低了对训练数据的要求。
全部知识事实 (7)
KC-Maps(Kolmogorov-Chapman Maps)是一种无需长轨迹数据、仅利用无轨迹的边际样本和已知的漂移、扩散系数来学习随机微分方程(SDE)转移核的深度学习方法。
50%待验证KC-Maps将边界条件(当目标时刻等于初始时刻时转移核退化为狄拉克δ函数)直接编码进神经网络架构,而非通过损失函数软性惩罚。
50%待验证KC-Maps利用Kolmogorov-Chapman方程构造训练目标,使模型在训练过程中自动满足多步一致性。
50%待验证在肽分子系统动力学积分的实验中,KC-Maps在GPU小时消耗上优于经典分子动力学模拟。
50%待验证KC-Maps的有效性依赖于已知的漂移和扩散系数;对于系数未知的真实系统,仍需先进行参数估计。
50%待验证KC-Maps目前仅在肽分子系统上进行了实验验证,尚未验证更复杂的大分子或非平衡过程。
50%待验证KC-Maps将SDE模拟的深度学习范式从轨迹监督转向分布匹配,降低了对训练数据的要求。
50%