算子自编码器：在编码分子图上学习物理运算
机器学习
2021-05-27 v1 化学物理
摘要
分子动力学模拟产生具有复杂非线性动力学的数据。若此类动力系统的时步行为可由线性算子表示，则无需昂贵模拟即可直接推断未来状态。将自编码器与物理时步算子结合使用，可在训练过程中同时分离分子图的相关结构特征与系统的底层物理。本工作中，我们建立了一条流程，用于从分子动力学模拟的时序体数据构建图结构表示。随后我们训练一个自编码器以寻找至潜空间的非线性映射，在该潜空间中可通过与自编码器同步训练的线性算子应用来预测未来时步。研究表明，增加自编码器输出的维度可提升物理时步算子的精度。
引用
@article{arxiv.2105.12295,
title = {Operator Autoencoders: Learning Physical Operations on Encoded Molecular Graphs},
author = {Willis Hoke and Daniel Shea and Stephen Casey},
journal= {arXiv preprint arXiv:2105.12295},
year = {2021}
}