論文の概要: Automated discovery of a robust interatomic potential for aluminum

• arxiv url: http://arxiv.org/abs/2003.04934v2
• Date: Mon, 24 Aug 2020 17:15:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 21:55:54.711557
• Title: Automated discovery of a robust interatomic potential for aluminum
• Title（参考訳）: アルミニウムの強靭な原子間ポテンシャルの自動発見
• Authors: Justin S. Smith, Benjamin Nebgen, Nithin Mathew, Jie Chen, Nicholas Lubbers, Leonid Burakovsky, Sergei Tretiak, Hai Ah Nam, Timothy Germann, Saryu Fensin, Kipton Barros
• Abstract要約: 機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。 アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。 アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証 転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
• 参考スコア（独自算出の注目度）: 4.6028828826414925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accuracy of molecular dynamics simulations depends crucially on the interatomic potential used to generate forces. The gold standard would be first-principles quantum mechanics (QM) calculations, but these become prohibitively expensive at large simulation scales. Machine learning (ML) based potentials aim for faithful emulation of QM at drastically reduced computational cost. The accuracy and robustness of an ML potential is primarily limited by the quality and diversity of the training dataset. Using the principles of active learning (AL), we present a highly automated approach to dataset construction. The strategy is to use the ML potential under development to sample new atomic configurations and, whenever a configuration is reached for which the ML uncertainty is sufficiently large, collect new QM data. Here, we seek to push the limits of automation, removing as much expert knowledge from the AL process as possible. All sampling is performed using MD simulations starting from an initially disordered configuration, and undergoing non-equilibrium dynamics as driven by time-varying applied temperatures. We demonstrate this approach by building an ML potential for aluminum (ANI-Al). After many AL iterations, ANI-Al teaches itself to predict properties like the radial distribution function in melt, liquid-solid coexistence curve, and crystal properties such as defect energies and barriers. To demonstrate transferability, we perform a 1.3M atom shock simulation, and show that ANI-Al predictions agree very well with DFT calculations on local atomic environments sampled from the nonequilibrium dynamics. Interestingly, the configurations appearing in shock appear to have been well sampled in the AL training dataset, in a way that we illustrate visually.
• Abstract（参考訳）: 分子動力学シミュレーションの精度は、力を生み出すのに使われる原子間ポテンシャルに大きく依存する。 金標準は第一原理量子力学(QM)計算であるが、大規模なシミュレーションスケールでは違法に高価になる。 機械学習(ML)ベースのポテンシャルは、計算コストを大幅に削減したQMの忠実なエミュレーションを目指している。 MLポテンシャルの正確性と堅牢性は主にトレーニングデータセットの品質と多様性によって制限される。 アクティブラーニング(al)の原則を用いて,高度に自動化されたデータセット構築手法を提案する。 戦略は、開発中のMLポテンシャルを使用して、新しいアトミックな構成をサンプリングし、MLの不確実性が十分に大きい設定に達すると、新しいQMデータを集めることである。 ここでは、自動化の限界を押し上げ、ALプロセスから可能な限り多くの専門知識を取り除こうとしています。 全てのサンプリングは、初期の不規則な構成から始まるMDシミュレーションを用いて行われ、時間変化した適用温度によって駆動される非平衡ダイナミクスが実行される。 アルミニウム(ANI-Al)のMLポテンシャルを構築することで,このアプローチを実証する。 多くのAL反復の後、ANI-Alは溶湯中の放射分布関数、液体固相共存曲線、欠陥エネルギーやバリアなどの結晶特性などの特性を予測することを自ら教えている。 移動可能性を示すために,1.3mの原子衝撃シミュレーションを行い,非平衡ダイナミクスからサンプリングした局所原子環境のdft計算と ani-al 予測が良好に一致することを示す。 興味深いことに、shockに現れるコンフィギュレーションは、視覚的に示すように、alトレーニングデータセットで十分にサンプル化されているようだ。

関連論文リスト

• Physics-informed active learning for accelerating quantum chemical simulations [10.56535364437456]
  本稿では,量子化学シミュレーションにおけるロバストなデータ効率ポテンシャル構築のためのエンドツーエンドALを提案する。 本プロトコルは,物理インフォームドによるトレーニングポイントのサンプリング,初期データの自動選択,不確実性定量化,収束モニタリングに基づく。 これらの調査は、高性能コンピューティングクラスタ上での純粋な量子化学計算ではなく、数週間を要した。
  論文  参考訳（メタデータ） (2024-04-18T00:17:01Z)
• BAMBOO: a predictive and transferable machine learning force field framework for liquid electrolyte development [11.682763325188525]
  本稿では,分子動力学(MD)シミュレーションのための新しいフレームワークであるBAMBOOを紹介し,リチウム電池用液体電解質の文脈でその能力を実証する。 BamBOOは密度、粘性、イオン伝導率などの主要な電解質特性を予測するための最先端の精度を示す。 この研究は、一般的な有機液体の性質をシミュレートできる「ユニバーサルMLFF」への道を開くことを目的としている。
  論文  参考訳（メタデータ） (2024-04-10T17:31:49Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Accurate machine learning force fields via experimental and simulation data fusion [0.0]
  機械学習(ML)ベースの力場は、量子レベルの精度で古典的原子間ポテンシャルのスケールにまたがる能力のために、ますます関心が高まりつつある。 ここでは、密度汎関数理論(DFT)計算と実験的に測定された力学特性と格子パラメータの両方を活用して、チタンのMLポテンシャルを訓練する。 融合したデータ学習戦略は、全ての対象目標を同時に満たすことができ、結果として、単一のソースデータで訓練されたモデルと比較して高い精度の分子モデルが得られることを実証する。
  論文  参考訳（メタデータ） (2023-08-17T18:22:19Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Evaluating the Transferability of Machine-Learned Force Fields for Material Property Modeling [2.494740426749958]
  本稿では,機械学習力場の伝達性を評価するため,より包括的なベンチマークテストを提案する。 我々は、OpenMMパッケージと結合したグラフニューラルネットワーク(GNN)ベースの力場を用いて、ArgonのMDシミュレーションを実行する。 実験結果から, モデルが固体相の挙動を正確に把握できるのは, 固体相の構成がトレーニングデータセットに含まれる場合のみであることがわかった。
  論文  参考訳（メタデータ） (2023-01-10T00:25:48Z)
• Electronic-structure properties from atom-centered predictions of the electron density [0.0]
  分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。 最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。 予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-28T15:35:55Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。