当前位置：
X-MOL 学术
›
J. Phys. Chem. Lett.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Spectral Map: Embedding Slow Kinetics in Collective Variables
The Journal of Physical Chemistry Letters ( IF 4.8 ) Pub Date : 2023-06-01 , DOI: 10.1021/acs.jpclett.3c01101 Jakub Rydzewski 1
The Journal of Physical Chemistry Letters ( IF 4.8 ) Pub Date : 2023-06-01 , DOI: 10.1021/acs.jpclett.3c01101 Jakub Rydzewski 1
Affiliation
|
The dynamics of physical systems that require high-dimensional representation can often be captured in a few meaningful degrees of freedom called collective variables (CVs). However, identifying CVs is challenging and constitutes a fundamental problem in physical chemistry. This problem is even more pronounced when CVs need to provide information about slow kinetics related to rare transitions between long-lived metastable states. To address this issue, we propose an unsupervised deep-learning method called spectral map. Our method constructs slow CVs by maximizing the spectral gap between slow and fast eigenvalues of a transition matrix estimated by an anisotropic diffusion kernel. We demonstrate our method in several high-dimensional reversible folding processes.
中文翻译：
光谱图：在集体变量中嵌入慢速动力学
需要高维表示的物理系统的动态通常可以在称为集体变量 (CV) 的几个有意义的自由度中捕获。然而，识别 CV 具有挑战性，是物理化学中的一个基本问题。当 CV 需要提供与长寿命亚稳态之间的罕见跃迁相关的慢速动力学信息时，这个问题就更加明显。为了解决这个问题，我们提出了一种称为光谱图的无监督深度学习方法。我们的方法通过最大化由各向异性扩散核估计的过渡矩阵的慢速和快速特征值之间的光谱间隙来构建慢速 CV。我们在几个高维可逆折叠过程中展示了我们的方法。
更新日期：2023-06-01
中文翻译：
光谱图：在集体变量中嵌入慢速动力学
需要高维表示的物理系统的动态通常可以在称为集体变量 (CV) 的几个有意义的自由度中捕获。然而，识别 CV 具有挑战性，是物理化学中的一个基本问题。当 CV 需要提供与长寿命亚稳态之间的罕见跃迁相关的慢速动力学信息时，这个问题就更加明显。为了解决这个问题，我们提出了一种称为光谱图的无监督深度学习方法。我们的方法通过最大化由各向异性扩散核估计的过渡矩阵的慢速和快速特征值之间的光谱间隙来构建慢速 CV。我们在几个高维可逆折叠过程中展示了我们的方法。
京公网安备 11010802027423号