MARC

 008260126s2025        us                              c    eng  d
■001000017359611
■00520260202105146
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265409409
■035    ▼a(MiAaPQ)AAI32241210
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a519
■1001  ▼aKrueger,  Ryan  Kirkman.
■24510▼aDifferentiable  Programming  for  Problems  in  Statistical  Mechanics  and  Biophysics
■260    ▼a[Sl]▼bHarvard  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a372  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Brenner,  Michael.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2025.
■520    ▼aThis  thesis  explores  how  differentiable  programming  --  a  paradigm  that  leverages  automatic  differentiation  (AD)  for  scientific  computing  --  can  be  used  to  advance  modeling  and  design  in  soft  matter  and  biophysics.  Traditional  applied  mathematics  relies  on  hand-crafted  models,  approximations,  and  domain-specific  numerics.  However,  recent  advances  in  hardware  acceleration  and  AD  frameworks  originally  developed  for  deep  learning  have  transformed  the  landscape  of  scientific  computing,  enabling  exact  and  efficient  computation  of  gradients  in  complex  models.            I  demonstrate  how  this  computational  shift  enables  novel  capabilities  across  several  domains.  I  first  show  how  AD  enables  otherwise  intractable  analytical  calculations.  Specifically,  I  use  AD  to  efficiently  evaluate  partition  functions  and  assembly  yields  in  systems  of  anisotropically  interacting  particles.  I  then  apply  this  framework  to  compare  calculations  under  existing  models  of  protein-protein  interactions  with  experimentally-determined  assembly  yields  of  de  novo  proteins.  Inspired  by  this  example  of  poor  model  generalization,  I  then  focus  on  AD  as  an  optimization  tool  for  physics-based  models.  I  devise  a  framework  for  directly  differentiating  the  aforementioned  assembly  yield  calculation,  allowing  me  to  fit  protein  force  fields  to  target  assembly  yields  via  gradient-based  optimization.  I  then  extend  these  techniques  to  thermodynamic  models  of  nucleic  acids,  showing  that  parameters  in  the  popular  "nearest  neighbor"  model  describing  secondary  structure  thermodynamics  can  be  fit  to  data  via  gradient  descent,  enhancing  predictive  power.  I  also  apply  differentiable  molecular  dynamics  to  design  functional  colloidal  systems.            For  some  physics-based  calculations,  direct  differentiation  for  modeling  or  design  is  infeasible.  One  such  cause  is  that  a  calculation  is  differentiable  in  principle  but  computationally  prohibitive  to  unroll.  In  the  face  of  this,  I  leverage  and  extend  novel  methods  for  stochastic  gradient  estimation  to  develop  a  framework  for  fitting  coarse-grained  force  fields  to  experimental  data.  In  the  second  limiting  case,  a  calculation  may  be  inherently  discontinuous  due  to  discrete  control  variables.  One  example  of  this  is  designing  RNA  sequences  with  respect  to  the  aforementioned  nearest  neighbor  model,  for  which  I  introduce  an  algorithm  to  compute  the  expected  partition  function  over  a  probability  distribution  of  RNA  sequences,  enabling  gradient-based  RNA  design.  Building  on  these  advanced  methods  for  stochastic  gradient  estimation  and  this  probabilistic  sequence  representation,  I  develop  a  general  method  for  inverse  design  in  molecular  simulations  by  introducing  a  notion  of  expected  Hamiltonians.  I  demonstrate  how  this  enables  the  rational  design  of  intrinsically  disordered  proteins,  DNA  sequences,  and  even  improved  particle  linking  algorithms.            I  conclude  with  a  forward-looking  perspective  on  promising  applications  of  these  methods,  opportunities  for  future  methods  development,  and  proposed  directions  for  novel  interfaces  between  computation,  mathematics,  and  physics.
■590    ▼aSchool  code:  0084.
■650  4▼aApplied  mathematics
■650  4▼aBiophysics
■650  4▼aStatistical  physics
■653    ▼aDifferentiable  programming
■653    ▼aProtein
■653    ▼aAutomatic  differentiation
■653    ▼aSoft  matter
■653    ▼aStatistical  mechanics
■690    ▼a0364
■690    ▼a0786
■690    ▼a0217
■71020▼aHarvard  University▼bEngineering  and  Applied  Sciences  -  Applied  Math.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359611▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서