与原子分辨率上可实现的分子量相比，粗晶片（CG）能够研究较大系统和更长的时间尺度的分子特性。最近已经提出了机器学习技术来学习CG粒子相互作用，即开发CG力场。分子的图表和图形卷积神经网络结构的监督训练用于通过力匹配方案来学习平均力的潜力。在这项工作中，作用在每个CG粒子上的力与以Schnet的名义相关的其本地环境的表示，该代表通过连续过滤器卷积构建。我们探讨了Schnet模型在获得液体苯的CG潜力的应用，研究模型结构和超参数对模拟CG系统的热力学，动力学和结构特性的影响，并报告和讨论所设想的挑战以及未来的指导。
translated by 谷歌翻译
由于大分子系统中存在的各种时间尺度，其计算研究是必要的。粗粒（CG）允许在不同的系统分辨率之间建立联系，并为开发强大的多尺度模拟和分析提供骨干。 CG映射过程通常是系统和特定于应用程序的，它依赖于化学直觉。在这项工作中，我们探讨了基于变异自动编码器的机器学习策略的应用，以开发合适的映射方案，从原子体到分子的粗粒空间，并随着化学复杂性的增加而开发。对模型超级法对训练过程和最终输出的影响进行了广泛的评估，并通过定义不同的损失函数的定义进行了现有方法，并实施了确保输出物理一致性的选择标准。分析了输入特征选择与重建精度之间的关系，从而支持将旋转不变性引入系统的需求。在映射和背景步骤中，该方法的优势和局限性都得到了强调和严格的讨论。
translated by 谷歌翻译
以时间序列形式出现的信号测量是医疗机学习应用中使用的最常见数据类型之一。这样的数据集的大小通常很小，收集和注释昂贵，并且可能涉及隐私问题，这阻碍了我们培训用于生物医学应用的大型，最先进的深度学习模型的能力。对于时间序列数据，我们可以用来扩展数据集大小的数据增强策略套件受到维护信号的基本属性的限制。生成对抗网络（GAN）可以用作另一种数据增强工具。在本文中，我们提出了TTS-CGAN，这是一种基于变压器的条件GAN模型，可以在现有的多级数据集上进行训练，并生成特定于类的合成时间序列序列的任意长度。我们详细介绍了模型架构和设计策略。由我们的模型生成的合成序列与真实的序列无法区分，可以用来补充或替换相同类型的真实信号，从而实现了数据增强的目标。为了评估生成的数据的质量，我们修改小波相干度量指标，以比较两组信号之间的相似性，还可以进行案例研究，其中使用合成和真实数据的混合来训练深度学习模型用于序列分类。与其他可视化技术和定性评估方法一起，我们证明TTS-CGAN生成的合成数据类似于真实数据，并且我们的模型的性能优于为时间序列数据生成而构建的其他最先进的GAN模型。
translated by 谷歌翻译
以时间序列形式出现的信号测量是医疗机学习应用中使用的最常见数据类型之一。但是，这样的数据集通常很小，使深度神经网络体系结构的培训无效。对于时间序列，我们可以用来扩展数据集大小的数据增强技巧套件受到维护信号的基本属性的限制。生成对抗网络（GAN）生成的数据可以用作另一个数据增强工具。基于RNN的GAN遭受了这样一个事实，即它们无法有效地模拟具有不规则时间关系的长序列数据点。为了解决这些问题，我们介绍了TTS-GAN，这是一种基于变压器的GAN，可以成功生成与实际长度相似的任意长度的现实合成时间序列数据序列。 GAN模型的生成器和鉴别网络均使用纯变压器编码器体系结构构建。我们使用可视化和降低降低技术来证明真实和生成的时间序列数据的相似性。我们还将生成数据的质量与最佳现有替代方案进行了比较，即基于RNN的时间序列GAN。
translated by 谷歌翻译