Automatische Auswertung von Molekularer Dynamik mittels Maschinellen Lernens

Siebler, David ORCID

Die breite Verfügbarkeit einer großen Menge an Datenverarbeitungsleistung führt zu größeren Datensätzen, welche immer schneller berechnet werden können. Ein häufiges Beispiel in der Computerchemie ist die Molekulare Dynamik, welche viele große Trajektoriendateien generiert. Die üblichen Wege der Analyse dieser Trajektorien sind simple Algorithmen, welche für jeden einzelnen Anwendungsfall (um-) konzipiert werden, und die menschliche Fähigkeit der Mustererkennung, welche durch intensives Video schauen beansprucht wird. Eine elegantere und zuverlässigere Art der Mustererkennung und der Analyse wird in dieser Arbeit vorgestellt: Eine vollautomatische Analyse von Molekularer Dynamik mit maschinellen Lerntechniken. Um die Generalisierung und Vergröberung zu vereinfachen und die bekannten Probleme bei der Ähnlichkeitsmessung in internen Molekülkoordinaten zu umgehen, wird ein anderer, voxel-basierter Ansatz genutzt, welcher unabhängig von der Anzahl der Atome ist. Die Voxel werden durch die Umwandlung einer molekularen Struktur in eine octTree Repräsentation generiert. Aus diesen Voxeln werden Superstrukturen konstruiert, welche die Datenbasis für die Algorithmen des maschinellen Lernens bilden. Die unüberwachte maschinelle Lerntechnik, (Hierarchisches) Clustern, wird für eine automatische Bewertung und eine Auswahl eines passenden Trainingssatzes aus einem großen Satz von Trajektorien verwendet. Ein trainierter Random-Forest-Algorithmus klassifiziert jeden einzelnen Schnappschuss in jeder Trajektorie. Schließlich wird ein Markov-Zustands-Modell für die Klassifikation jeder einzelnen Trajektorie in dem großen Satz von Trajektorien verwendet und ähnliche werden gruppiert. Dies eliminiert weitgehend die Voreingenommenheit und die uninteressante Arbeit bei der Trajektorienauswertung, erlaubt die Fokussierung der menschlichen Anstrengungen auf vorausgewählte interessante Fälle und die weitere Einbindung der extrahierten Information in das "mechanistische" Gesamtbild.

Cite

Citation style:

Siebler, David: Automatische Auswertung von Molekularer Dynamik mittels Maschinellen Lernens. 2018.

Rights

Use and reproduction:
No CC License (german copyright law applies)

Export